列表页识别系统及方法技术方案

本发明专利技术公开了一种列表页识别系统，涉及互联网技术领域，该系统包括：页面框架ID计算模块，适于抽取预先获取的网页的页面框架，计算页面框架ID；模式累计模块，适于累计相同ID的页面框架数量达到阈值时，计算页面框架模式；列表页识别模块，适于按所述页面框架模式与事先建立的产品知识库中列表页的页面框架模式比对，以识别出列表页；页面框架ID计算模块进一步包括页面框架抽取模块。本发明专利技术还公开了一种列表页识别方法。本发明专利技术的列表页识别系统及方法通过计算网页的页面框架模式并按模式在产品知识库比对，以识别出列表页，由此解决了列表页很难搜集全的问题，取得了全面搜集列表页，搜索的准确度高的有益效果。

【技术实现步骤摘要】
本专利技术涉及互联网
，具体涉及一种列表页识别系统及方法。
技术介绍
在搜索技术中，基本上分为两大类。一类是以整个互联网为对象，抓取全部网页(目前在一个站点内会限制抓取深度，且一般不处理js (Java script)，而且只是处理部分动态页面)，并对网页进行处理和分析的网页搜索，即全网搜索。另一类是只针对某类页面进行抓取和分析处理的垂直搜索，如图片搜索、视频搜索、博客搜索、论坛搜索、新闻搜索等。对于大部分垂直搜索来说，目前都是基于种子(也称作列表页)进行处理。垂直搜索的处理可分为两个部分其一是找种子；其二是从种子页面上发现具体产品页面，即不同类另IJ (图片、视频、新闻等)的页面，然后对这些产品页面进行处理。 基于列表页进行垂直搜索。先以人工或以某些预先指定的规则发现种子，然后对列表页进行变频抓取，从列表页面上发现垂直搜索产品的具体产品页面，对这些产品页面进行下载、分析处理，最终形成垂直搜索系统需要的数据。传统的以人工方式或已知的一些规则收集列表页，很难把所有的列表页面收集全。而且网站改版后，旧的列表页会失效，而新的列表页又可能会漏掉。所以，在传统的垂直搜索引擎内，总有很多内容搜索不到，导致搜索的准确度不高。
技术实现思路
鉴于上述问题，提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的列表页识别系统及方法。依据本专利技术的一个方面，提供了一种列表页识别系统，包括页面框架ID计算模块，适于抽取预先获取的网页的页面框架，计算页面框架ID ；模式累计模块，适于累计相同ID的页面框架数量达到阈值时，计算页面框架模式；列表页识别模块，适于按所述页面框架模式与事先建立的产品知识库中列表页的页面框架模式比对，以识别出列表页。可选地，页面框架ID计算模块进一步包括页面框架抽取模块，适于根据网页源代码中的html语言标签抽取所述网页的页面框架。可选地，页面框架ID计算模块进一步包括页面框架抽取模块，适于按标点识别出网页正文，去除正文以得到所述网页的页面框架。可选地，所述模式累计模块进一步包括阈值调节模块，适于判断在预定时间内对应同一 ID的页面框架数量是否累计达到所述阈值，若没有，则将该ID对应的阈值以一定的步长递减。可选地，所述模式累计模块进一步包括待定列表页识别模块，适于判断是否有位于页面内固定位置块内且稳定存在一定时间的链接，若有，则设定该网页为待定列表页；列表页框架模式确定模块，适于每隔一段时间内调度一次所述待定列表页，如果所述链接不断更新为新链接，就将所述网页的页面框架模式设为列表页框架模式。可选地，所述产品知识库存储有已知类别页面框架模式及该模式下各网页特征的权重，所述列表页识别模块进一步包括特征匹配模块，适于将所述页面框架模式的各网页特征与知识库中已知类别的页面框架模式的各网页特征进行匹配；特征评分模块，适于对匹配上的网页特征按不同的类别为所述页面框架模式增加相应的权重； 权重累计模块，适于按类别累计所述页面框架模式在该类别下所得的权重，若对应列表页类别所得的权重最高，则所述页面为列表页。可选地，所述系统还包括列表页处理模块，适于若识别出网页为列表页，则提取所述列表页的内容，进一步获取所述列表页中列出的信息对应的网页。可选地，所述系统还包括网页获取模块，适于通过全网搜索获取网页，并以站点为单位获取网页，同一站点下不同域名的对应的网页存储在相同的根目录下。根据本专利技术的另一方面，提供了一种列表页识别方法，包括以下步骤抽取预先获取的网页的页面框架，并计算页面框架ID ；累计相同ID的页面框架数量达到阈值时，计算页面框架模式；按所述页面框架模式与事先建立的产品知识库中列表页的页面框架模式比对，以识别出列表页。可选地，抽取所述网页的页面框架的方式为根据网页源代码中的html语言标签抽取所述网页的页面框架。可选地，抽取所述网页的页面框架的方式为按标点识别出网页正文，去除正文以得到所述网页的页面框架。可选地，判断在预定时间内对应同一 ID的页面框架数量是否累计达到所述阈值，若没有，则将该ID对应的阈值以一定的步长递减。可选地，所述列表页框架模式的计算方式为判断是否有位于页面内固定位置块内且稳定存在一定时间的链接，若有，则设定该网页为待定列表页；每隔一段时间内调度一次所述待定列表页，如果所述链接不断更新为新链接，就将所述网页的页面框架模式设为列表页框架模式。可选地，所述产品知识库存储有已知类别页面框架模式及该模式下各网页特征的权重，将所述页面框架模式与事先建立的产品知识库中已知类别的页面框架模式比对的方式为将所述页面框架模式的各网页特征与知识库中已知类别的页面框架模式的各网页特征进行匹配；对匹配上的网页特征按不同的类别为所述页面框架模式增加相应的权重；按类别累计所述页面框架模式在该类别下所得的权重，若对应列表页类别所得的权重最高，则所述页面为列表页。可选地，若识别出网页为列表页，则提取所述列表页的内容，进一步获取所述列表页中列出的信息对应的网页。可选地，通过全网搜索获取网页，并以站点为单位获取网页，同一站点下不同域名的对应的网页存储在相同的根目录下。根据本专利技术的列表页识别系统及方法通过计算网页的页面框架模式并按模式在产品知识库比对，以识别出列表页，由此解决了列表页很难搜集全的问题，取得了全面搜集列表页，搜索的准确度高的有益效果。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。附图说明 通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中图I示出了根据本专利技术一个实施例的列表页识别方法流程图；图2示出了图I中步骤S130的具体流程图；图3示出了根据本专利技术一个实施例的列表页识别系统结构示意图；图4示出了图3中列表页识别模块的具体结构示意图。具体实施例方式下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。本实施例的列表页识别方法流程如图I所示，包括步骤S110，抽取预先获取的网页的页面框架，并计算页面框架ID。预先获取的网页可以是全网搜索抓取的网页。抽取所述网页的页面框架的方式为根据网页源代码中的html语言标签抽取所述网页的页面框架，抽取时只保留html语言标签中框架类的标记，如frame、table等，同时保留id、name、class属性,去掉其余属性。还可以按标点识别出网页正文，去除正文以得到网页的页面框架。抽取页面框架后将页面内属性根据哈希算法计算页面框架的hash值，即为页面框架ID，例如抽取页面框架后利用MD5或FNV等哈希技术方法计算页面框架的hash值，即将框架类的标记,如frame、table及其id、name、class属性等按哈希算法进行计算，所得结果值即为页面框架ID。由于采用相同本文档来自技高网...

【技术保护点】
一种列表页识别系统，包括：页面框架ID计算模块，适于抽取预先获取的网页的页面框架，计算页面框架ID；模式累计模块，适于累计相同ID的页面框架数量达到阈值时，计算页面框架模式；列表页识别模块，适于按所述页面框架模式与事先建立的产品知识库中列表页的页面框架模式比对，以识别出列表页;其中，页面框架ID计算模块进一步包括：页面框架抽取模块，适于根据网页源代码中的html语言标签抽取所述网页的页面框架。

【技术特征摘要】
1.一种列表页识别系统，包括 页面框架ID计算模块，适于抽取预先获取的网页的页面框架，计算页面框架ID ； 模式累计模块，适于累计相同ID的页面框架数量达到阈值时，计算页面框架模式； 列表页识别模块，适于按所述页面框架模式与事先建立的产品知识库中列表页的页面框架模式比对，以识别出列表页； 其中，页面框架ID计算模块进一步包括页面框架抽取模块，适于根据网页源代码中的html语言标签抽取所述网页的页面框架。2.如权利要求I所述的列表页识别系统，其特征在于，页面框架ID计算模块进一步包括页面框架抽取模块，适于按标点识别出网页正文，去除正文以得到所述网页的页面框架。3.如权利要求广2中任一项所述的列表页识别系统，其特征在于，所述模式累计模块进一步包括阈值调节模块，适于判断在预定时间内对应同一 I D的页面框架数量是否累计达到所述阈值，若没有，则将该ID对应的阈值以一定的步长递减。4.如权利要求广3中任一项所述的列表页识别系统，其特征在于，所述模式累计模块进一步包括 待定列表页识别模块，适于判断是否有位于页面内固定位置块内且稳定存在一定时间的链接，若有，则设定该网页为待定列表页； 列表页框架模式确定模块，适于每隔一段时间内调度一次所述待定列表页，如果所述链接不断更新为新链接，就将所述网页的页面框架模式设为列表页框架模式。5.如权利要求Γ4中任一项所述的列表页识别系统，其特征在于，所述产品知识库存储有已知类别页面框架模式及该模式下各网页特征的权重，所述列表页识别模块进一步包括 特征匹配模块，适于将所述页面框架模式的各网页特征与知识库中已知类别的页面框架模式的各网页特征进行匹配； 特征评分模块，适于对匹配上的网页特征按不同的类别为所述页面框架模式增加相应的权重； 权重累计模块，适于按类别累计所述页面框架模式在该类别下所得的权重，若对应列表页类别所得的权重最高，则所述页面为列表页。6.如权利要求f5中任一项所述的列表页识别系统，其特征在于，所述系统还包括列表页处理模块，适于若识别出网页为列表页，则提取所述列表页的内容，进一步获取所述列表页中列出的信息对应的网页。7.如权利要求1飞中任一项所述的列表页识别系统，其特征在于，所述系统还...

【专利技术属性】
技术研发人员：卢宏林，
申请(专利权)人：北京奇虎科技有限公司，奇智软件北京有限公司，
类型：发明
国别省市：