[发明专利]网页正文中图片的提取方法及装置

权利要求书

1.一种网页正文中图片的提取方法，其特征在于，所述方法包括：

获取网页正文中的图片节点，并获取所述图片节点的文字描述信息；

根据所述图片节点的文字描述信息在获取的图片节点中提取与所述网页正文相关程度最大的图片。

2.根据权利要求1所述的方法，其特征在于，根据所述图片节点的文字描述信息在获取的图片节点中提取与所述网页正文相关程度最大的图片，包括：

计算所述文字描述信息与所述网页正文的网页标题的相似度；

在相似度大于或等于预设的阈值的图片节点中，提取相似度最大的图片。

3.根据权利要求1所述的方法，其特征在于，获取所述图片节点的文字描述信息，包括：

获取所述图片节点的属性信息；

在所述属性信息中查找alt字段，从所述alt字段中获取所述图片节点的文字描述信息。

4.根据权利要求1所述的方法，其特征在于，获取所述图片节点的文字描述信息，包括：

查找所述网页正文中与所述图片节点相邻的下一个文字节点；

根据所述文字节点的文字内容获取所述图片节点的文字描述信息。

5.根据权利要求4所述的方法，其特征在于，根据所述文字节点的文字内容获取所述图片节点的文字描述信息，包括：

获取所述文字节点的文字内容，并将所述文字内容作为所述图片节点的文字描述信息；或者，

如果所述图片节点的排版属性和所述文字节点的排版属性均为居中，则获取所述文字节点的文字内容，并将所述文字内容作为所述图片节点的文字描述信息；或者，

如果所述文字节点的文字样式与所述图片节点的文字样式相同，则获取所述文字节点的文字内容，并将所述文字内容作为所述图片节点的文字描述信息。

6.根据权利要求2所述的方法，其特征在于，所述方法还包括：

如果未获取到所述图片节点的文字描述信息，或者获取到所述图片节点的文字描述信息但所述文字描述信息与所述网页正文的网页标题的相似度小于预设的阈值，则获取所述图片节点的统一资源定位符URL的长度；

判断获取的所述图片节点中是否具有URL的长度相同的图片节点；

如果获取的所述图片节点中无URL的长度相同的图片节点，则提取所述网页正文中的第一张图片；

如果获取的所述图片节点中有URL的长度相同的图片节点，则在所述URL的长度相同的图片节点中提取在所述网页正文中位置最前的图片。

7.根据权利要求6所述的方法，其特征在于，在所述URL的长度相同的图片节点中提取在所述网页正文中位置最前的图片，包括：

判断URL的长度相同的图片节点是否为多组，其中各组的URL的长度均不同；

如果是，则选取包含图片节点的个数最多的组，在该组内提取在所述网页正文中位置最前的图片；

否则，在所述URL的长度相同的组内提取在所述网页正文中位置最前的图片。

8.根据权利要求1所述的方法，其特征在于，获取网页正文中的图片节点之后，还包括：

在获取的所述图片节点中过滤掉广告图片。

9.根据权利要求1所述的方法，其特征在于，根据所述图片节点的文字描述信息在获取的图片节点中提取与所述网页正文相关程度最大的图片之后，还包括：

如果所述提取的图片的属性信息中未包含文字描述信息，则将所述网页正文的网页标题作为文字描述信息添加在所述图片的属性信息中。

10.一种网页正文中图片的提取装置，其特征在于，所述装置包括：

第一获取模块，用于获取网页正文中的图片节点，并获取所述图片节点的文字描述信息；

第一提取模块，用于根据所述图片节点的文字描述信息在获取的图片节点中提取与所述网页正文相关程度最大的图片。

11.根据权利要求10所述的装置，其特征在于，所述第一提取模块包括：

计算单元，用于计算所述文字描述信息与所述网页正文的网页标题的相似度；

第一提取单元，用于在相似度大于或等于预设的阈值的图片节点中，提取相似度最大的图片。