[发明专利]一种互联网网页转换方法、系统及设备

权利要求书

1、一种互联网网页转换方法，其特征在于，所述方法包括下述步骤：

解析读取的互联网网页；

从解析后的互联网网页中提取主题内容；

将提取的主题内容转换输出对应的XHTML网页。

2、如权利要求1所述的方法，其特征在于，所述从解析后的互联网网页中提取主题内容的步骤具体为：

判断互联网网页是否为主题型网页；

当互联网网页为主题型网页时，提取网页的正文块的根元素、标题元素和导航元素。

3、如权利要求2所述的方法，其特征在于，所述将提取的主题内容转换输出对应的XHTML网页的步骤进一步包括：

保留网页的正文块、以标题元素的父元素为根节点的子树、以导航元素为父元素的子树以及形式标题；

将所述正文块、以标题元素的父元素为根节点的子树、以导航元素为父元素的子树，以及形式标题之外的其余元素从原DOM树中裁剪掉，合成新的DOM树。

4、如权利要求2所述的方法，其特征在于，所述判断互联网网页是否为主题型网页的步骤具体为：

从互联网网页解析成的DOM树中依次取出非链接文本；

判断以该元素的父元素为根元素的子树能否构成主题型网页的主题内容的正文，是则查找主题内容的正文块和标题栏，否则继续尝试下一个非链接文本，直到找到主题内容的正文块和标题栏；

当尝试完所有的非链接文本仍找不到主题内容的正文时，判定该网页为导航型网页。

5、如权利要求1所述的方法，其特征在于，所述从解析后的互联网网页中提取主题内容的步骤具体为：

判断网页是否为导航型网页中的论坛类网页；

当网页为导航型网页中的论坛类网页时，提取网页中的标题栏和导航信息。

6、如权利要求1至5任一权利要求所述的方法，其特征在于，所述从解析后的互联网网页中提取主题内容的步骤进一步包括：

去除主题内容中的噪音内容。

7、一种互联网网页转换系统，其特征在于，所述系统包括：

网页解析单元，用于解析读取的互联网网页；

网页内容净化单元，用于从解析后的互联网网页中提取主题内容；以及

转换输出单元，用于将提取的主题内容转换输出对应的XHTML网页。

8、如权利要求7所述的系统，其特征在于，所述网页内容净化单元包括：

网页类型判断模块，用于判断互联网网页的类型；

主题内容提取模块，根据互联网网页的类型提取对应的主题内容。

9、如权利要求8所述的系统，其特征在于，所述网页内容净化单元进一步包括：

噪音内容去除模块，用于去除主题内容中的噪音内容。

10、如权利要求7、8或9所述的系统，其特征在于，所述主题内容为主题型网页的正文、标题和导航信息，或者导航型网页中论坛类网页的标题栏和导航信息。

11、一种包含权利要求7的互联网网页转换系统的服务器。