一种应用于网页的图片提取方法及装置制造方法及图纸

本申请公开一种应用于网页的图片提取方法及装置。该方法中，获取待处理的网页的原始编程语言；获取原始编程语言的语言标签，根据语言标签，滤除其中与正文无关的内容，得到目标编程语言；根据目标编程语言的语言标签的文字密度，确定文字密度最大的语言标签为目标标签；将目标标签指示的网页区域作为目标区域，选择目标区域中的图片作为待提取的图片。通过本方案，无需预先知悉网页的布局结构，适用范围较宽，从而解决现有技术中第一种图片提取方法具有的通用性差的问题；而且只需对待处理的网页的原始编程语言进行分析处理，与现有技术中第二种图片提取方法相比，需要处理的数据较少，解决该方法所具有的开发测试周期长，计算繁琐复杂的问题。

【技术实现步骤摘要】
201610184168

【技术保护点】
一种应用于网页的图片提取方法，其特征在于，包括：获取待处理的网页的原始编程语言；获取所述原始编程语言中包括的语言标签，并根据所述语言标签，滤除所述原始编程语言中与正文无关的内容，得到目标编程语言；根据所述目标编程语言中包括的语言标签的文字密度，确定所述文字密度最大的语言标签为目标标签；将所述目标标签指示的网页区域作为目标区域，选择所述目标区域中的图片作为待提取的图片。

【技术特征摘要】
1.一种应用于网页的图片提取方法，其特征在于，包括：获取待处理的网页的原始编程语言；获取所述原始编程语言中包括的语言标签，并根据所述语言标签，滤除所述原始编程语言中与正文无关的内容，得到目标编程语言；根据所述目标编程语言中包括的语言标签的文字密度，确定所述文字密度最大的语言标签为目标标签；将所述目标标签指示的网页区域作为目标区域，选择所述目标区域中的图片作为待提取的图片。2.根据权利要求1所述的应用于网页的图片提取方法，其特征在于，所述获取所述原始编程语言中包括的语言标签，并根据所述语言标签，滤除所述原始编程语言中与正文无关的内容，得到目标编程语言，包括：获取所述原始编程语言中包含的语言标签后，生成DOM树，其中，所述DOM树的节点为所述原始编程语言中包含的语言标签；遍历所述DOM树，查找所述DOM树中与正文无关的语言标签，并滤除所述与正文无关的语言标签指示的编程语言，将剩余的编程语言作为目标编程语言。3.根据权利要求1所述的应用于网页的图片提取方法，其特征在于，所述选择所述目标区域中的图片作为待提取的图片，包括：获取所述目标区域中包含的图片，将所述目标区域中包含的图片作为目标图片；若所述目标图片的数量不大于m，确定所述目标图片为所述待提取的图片；若所述目标图片的数量大于m，滤除所述目标图片中的图片，根据滤除后的剩余图片确定所述待提取的图片；其中，m为待提取的图片的预设值。4.根据权利要求3所述的应用于网页的图片提取方法，其特征在于，所述根据滤除后的剩余图片确定所述待提取的图片包括：判断所述滤除后的剩余图片的数量是否大于m；若所述滤除后的剩余图片的数量不大于m，则确定所述滤除后的剩余图片为所述待提取的图片；若所述滤除后的剩余图片的数量大于m，将所述滤除后的剩余图片的描述信息与所
\t述网页的描述内容进行内容匹配，并根据匹配程度确定所述剩余图片中的m张图片为所述待提取的图片。5.根据权利要求4所述的应用于网页的图片提取方法，其特征在于，所述剩余图片的描述信息为所述剩余图片的title属性信息和/或alt属性信息。6.一种应用于网页的图片提取装置，其特...

【专利技术属性】
技术研发人员：谢晓静，
申请(专利权)人：乐视控股北京有限公司，乐视网信息技术北京股份有限公司，
类型：发明
国别省市：北京;11