[发明专利]网页标识确定方法和装置

权利要求书

1.一种网页标识确定方法，包括：

解析网页抓取器抓取的多个网页，获取各个网页的URL、指向各个网页的外部链接以及各个外部链接对应的锚文本；其中，指向各个网页的外部链接通过网页抓取器抓取的网页之间的链接关系进行确定；

聚合相同统一资源定位符URL的网页，根据指向相同URL网页的一个或多个外部链接以及各个外部链接对应的锚文本，得到各个网页的一个或多个锚文本；

对于每个网页，选取该网页的一个或多个锚文本中的一个作为该网页的标识。

2.根据权利要求1所述的方法，其中，聚合相同URL的网页，根据指向相同URL网页的一个或多个外部链接以及各个外部链接对应的锚文本，得到各个网页的一个或多个锚文本，包括：

对具备相同URL的网页进行聚类，生成多个URL分组；

对于每个URL分组，根据该URL分组中指向各个网页的外部链接以及各个外部链接对应的锚文本，得到各个网页的一个或多个锚文本。

3.根据权利要求2所述的方法，其中，根据该URL分组中指向各个网页的外部链接以及各个外部链接对应的锚文本，得到各个网页的一个或多个锚文本，包括：

对该URL分组中的锚文本进行聚类，生成一个或多个锚文本分组；

将所述一个或多个锚文本分组各自对应的锚文本作为各个网页的一个或多个锚文本。

4.根据权利要求1-3任一项所述的方法，其中，所述选取该网页的一个或多个锚文本中的一个作为该网页的标识，包括：

确定该网页的一个或多个锚文本中每个锚文本的等级；

选取指定等级的锚文本作为该网页的标识。

5.根据权利要求4所述的方法，其中，所述确定该网页的一个或多个锚文本中每个锚文本的等级，包括：

获取该网页的一个或多个锚文本中每个锚文本的参数值；

根据获取的所述每个锚文本的参数值，计算所述每个锚文本的等级。

6.根据权利要求5所述的方法，其中，所述每个锚文本的参数值包括下列至少之一：

每个锚文本对应的外部链接所在网页的总数；

每个锚文本对应的、与该网页的URL同主域的外部链接所在网页的总数；

每个锚文本对应的、与该网页的URL不同主域的外部链接所在网页的总数；

每个锚文本对应的外部链接所在网页的网页等级pagerank；

每个锚文本对应的外部链接被点击的次数。

7.一种网页标识确定装置，包括：

解析模块，适于解析网页抓取器抓取的多个网页，获取各个网页的URL、指向各个网页的外部链接以及各个外部链接对应的锚文本；其中，指向各个网页的外部链接通过网页抓取器抓取的网页之间的链接关系进行确定；

处理模块，适于聚合相同统一资源定位符URL的网页，根据指向相同URL网页的一个或多个外部链接以及各个外部链接对应的锚文本，得到各个网页的一个或多个锚文本；

选取模块，适于对于每个网页，选取该网页的一个或多个锚文本中的一个作为该网页的标识。

8.根据权利要求7所述的装置，其中，所述处理模块还适于：

对具备相同URL的网页进行聚类，生成多个URL分组；

对于每个URL分组，根据该URL分组中指向各个网页的外部链接以及各个外部链接对应的锚文本，得到各个网页的一个或多个锚文本。

9.根据权利要求8所述的装置，其中，所述处理模块还适于：

对该URL分组中的锚文本进行聚类，生成一个或多个锚文本分组；

将所述一个或多个锚文本分组各自对应的锚文本作为各个网页的一个或多个锚文本。

10.根据权利要求7-9任一项所述的装置，其中，所述选取模块还适于：

确定该网页的一个或多个锚文本中每个锚文本的等级；

选取指定等级的锚文本作为该网页的标识。