[发明专利]从网页中提取图片的方法、装置及客户端设备

权利要求书

1.一种从网页中提取图片的方法，其特征在于，包括：

步骤a：获取所述网页的源代码，根据所述源代码获取所述网页的实质内容；

步骤c：确定所述实质内容中的段落的重要程度，确定包含有图片的所述段落中重要程度最高的段落，并将所述重要程度最高的段落中的图片确定为待提取的目标图片；

步骤d：获取所述目标图片，以将所述目标图片展示给用户，使得所述用户能够在未打开所述网页时通过查看所述目标图片了解所述网页的内容；

所述步骤c中确定所述实质内容中的段落的重要程度包括：

获取每个所述段落的重要程度计算参数，所述重要程度计算参数包括以下参数的至少一种：

所述段落与网页的吻合度、所述段落的关键词密度、所述段落的字数、所述段落的字数与所述网页的实质内容的字数的比率；

根据每个所述段落的重要程度计算参数和所述重要程度计算参数对应的权重，将每个重要程度计算参数与其相应的权重相乘后再求和，得到每个所述段落的重要程度。

2.根据权利要求1所述的方法，其特征在于，所述步骤a之后，所述步骤c之前，所述方法还包括：

步骤b：根据所述获取的所述网页的实质内容，确定所述实质内容中的段落中相邻段落的相关度，根据所述确定的相邻段落的相关度对所述网页的实质内容中的段落进行合并处理，所述合并处理后，所述网页的实质内容中的段落包括合并段落和未合并段落；

所述步骤c中确定所述实质内容中的段落的重要程度包括：

确定所述合并段落和未合并段落的重要程度；或者

确定所述合并段落和未合并段落中包含有图片的段落的重要程度。

3.根据权利要求2所述的方法，其特征在于，所述步骤b中根据所述获取的所述网页的实质内容，确定所述实质内容中的段落中相邻段落的相关度包括：

根据所述获取的所述网页的实质内容，将所述网页的实质内容中每个段落的文字拆分为多个词语，并对拆分后的词语进行过滤，去除其中的干扰词，并统计剩余的非干扰词的词频，所述词频为所述非干扰词在所述段落中出现的次数；

根据每个所述段落中的非干扰词及非干扰词的词频，确定所述实质内容中的段落中相邻段落的相关度。

4.根据权利要求3所述的从网页中提取图片的方法，其特征在于，所述根据每个段落中的非干扰词及非干扰词的词频，确定所述实质内容中的段落中相邻段落的相关度包括：

按照相邻段落中第一个段落的非干扰词的词频建立第一向量，按照相邻段落中第二个段落的非干扰词的词频建立第二向量，所述第一个段落和第二个段落相同的非干扰词分别位于所述第一向量和第二向量的相同位置；

计算所述第一向量和第二向量的夹角的余弦值，并将该余弦值作为所述相邻段落的相关度；

所述步骤b中根据所述确定的相邻段落的相关度对所述网页的实质内容中的段落进行合并处理包括：

当所述相邻段落的相关度大于设定的第二阈值时，将所述第一个段落和所述第二个段落合并，得到一个合并段落。

5.根据权利要求1所述的方法，其特征在于，所述步骤a包括：

获取网页的源代码，根据源代码获取所述网页的整个内容，所述整个内容包括html标签、属性、注释、脚本、级联样式表样式、文字和图片中的至少一种；

对整个所述网页内容进行分析，删除不相干的内容，得到网页的实质内容，所述不相干的内容包括html标签、属性、注释、脚本和级联样式表样式。

6.根据权利要求1所述的从网页中提取图片的方法，其特征在于，

所述重要程度计算参数包括所述段落与网页的吻合度、所述段落的关键词密度和所述段落的字数；

所述段落与网页的吻合度的权重、所述段落的关键词密度的权重和所述段落的字数的权重的比值为3:1:0.2至5:2:0.5。