[发明专利]页面提取方法及装置、设备终端

权利要求书

1.一种页面提取方法，包括：

对HTML网页的网页元素进行列表区域识别；

提取识别出的所述列表区域的页面内容。

2.如权利要求1所述的页面提取方法，其中，对HTML网页的网页元素 进行列表区域识别的过程包括：识别所述网页元素是否为table元素并确认识 别出的网页元素是否为列表区域的步骤；其中，

在所述HTML网页的列表由table元素结合tr和td元素实现，且所述table 元素所包含的多个tr子元素含有相等数量的td子元素，各td子元素的DOM 结构均相同时，确定所述table元素为列表区域；或者，

在所述table元素包含一个tr元素，且所述tr元素的td子元素的DOM结 构相同时，确定所述table元素为列表区域。

3.如权利要求2所述的页面提取方法，其中，对HTML网页的网页元素 进行列表区域识别的过程还包括：识别所述网页元素是否为ul/ol元素，并确 认识别出的网页元素是否为列表区域的步骤；其中，

在所述HTML网页的列表由ul/ol元素结合li元素实现，且所述ul/ol元 素的子元素均为li元素以及所述各li元素的子元素的DOM结构均相同时， 确定所述ul/ol元素为列表区域。

4.如权利要求3所述的页面提取方法，其中，对HTML网页的网页元素 进行列表区域识别的过程还包括：识别所述网页元素是否为dt元素，并确认 识别出的网页元素是否为列表区域的步骤；其中，

在所述HTML网页的列表由dt结合dl元素实现，且所述dt元素的子元 素均为dl元素，各dl元素的DOM结构均相同时，确定所述dt元素为列表区 域。

5.如权利要求4所述的页面提取方法，其中，对HTML网页的网页元素 进行列表区域识别的过程还包括：识别所述网页元素是否为div元素，并确认 识别出的网页元素是否为列表区域的步骤；其中，

在所述HTML网页的列表由div元素实现，且所述div元素的子元素均相 同，所述div元素的子元素的DOM结构均相同时，确定所述div元素为列表 区域。

6.如权利要求5所述的页面提取方法，其中，在对HTML网页的网页元 素进行列表区域识别的过程中，

依次识别所述网页元素是否为table元素、ul/ol元素、dt元素或div元素， 并依次确认识别出的网页元素是否为列表区域。

7.一种页面提取装置，包括：

识别单元，用于对获取的HTML网页的网页元素进行列表区域识别；

提取单元，用于提取识别出的所述列表区域的页面内容。

8.如权利要求7所述的页面提取装置，其中，

所述识别单元包括以下识别单元的至少一个：

table元素识别单元，用于在所述HTML网页的列表由table元素结合tr 和td元素实现，且所述table元素所包含的多个tr子元素含有相等数量的td 子元素，td子元素的DOM结构均相同时，确定所述table元素为列表区域； 或者，在所述table元素包含一个tr元素，且所述tr元素的td子元素的DOM 结构相同时，确定所述table元素为列表区域；

ul/ol元素识别单元，用于在所述HTML网页的列表由ul/ol元素结合li 元素实现，且所述ul/ol元素的子元素均为li元素以及所述各li元素的子元素 的DOM结构均相同时，确定所述ul/ol元素为列表区域；

dt元素识别单元，用于在所述HTML网页的列表由dt结合dl元素实现， 且所述dt元素的子元素均为dl元素，各dl元素的DOM结构均相同时，确定 所述dt元素为列表区域；

div元素识别单元，用于在所述HTML网页的列表由div元素实现，且所 述div元素的子元素均相同，所述div元素的子元素的DOM结构均相同时， 确定所述div元素为列表区域。