[发明专利]网页正文中图片的提取方法及装置

说明书

技术领域

本发明涉及计算机技术领域，特别涉及一种网页正文中图片的提取方法及装置。

背景技术

随着网络信息量的增长，用户在输入关键字搜索信息时，将获得大量与关键字相关的网页信息，这些网页信息以文本为载体进行显示，使得用户需要浏览网页中的文字进行信息采集，增加了用户获取信息的难度。

现有技术中，浏览器提供与网页正文相关的多媒体信息，如图片和视频等，向用户展示与网页正文相关的视觉信息。具体来说，如果网页正文中包含图片，则获取网页正文中的所有图片节点，提取该网页正文中第一张图片或者从所有的图片节点中任意提取一张图片作为与该网页的正文相关程度最大的图片，作为网页信息显示给用户，以便用户通过该图片了解网页的相关内容。

在实现本发明的过程中，发明人发现现有技术至少存在以下缺点：

提取网页正文中第一张图片或者从所有的图片节点中任意提取一张图片作为代表该网页的图片，可能提取出与网页正文内容无关的图片，导致提取的图片与网页正文的相关度较低，使得该图片所代表的网页信息主题不明确，影响了用户的体验。

发明内容

本发明实施例提供了一种网页正文中图片的提取方法及装置，以提高提取的图片与网页正文的相关度。所述技术方案如下：

一方面，提供了一种网页正文中图片的提取方法，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。

其中，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。

具体地，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。

或者，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。

进一步地，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属性信息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。

另外，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。

进一步地，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。

优选地，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。

可选地，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。

另一方面，还提供了一种网页正文中图片的提取装置，所述装置包括：