【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...
【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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。