CN107329981A - 页面检测的方法和装置 - Google Patents

Abstract

本发明公开了页面检测的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：基于爬虫技术抓取页面信息；利用正则匹配技术和图形分析技术根据页面检测规则对所述页面信息进行检测，以得到页面检测结果。该实施方式实现了对页面内容的自动分析监控，提高了检测效率及准确率。

Description

页面检测的方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种页面检测的方法和装置。

背景技术

网页是一个包含超文本标记语言(HTML)标签的纯文本文件，它可以存放在世界某个角落的某一台计算机中，是万维网中的一“页”，网页可以是商品详情页、新闻页面、知识分享性页面等。

通常，各网络平台对页面都有一些具体要求，在页面发布前，需要按规定对页面进行审核，在页面发布后，也需要经常对页面进行抽查。例如对于商品详情页，在内容上需要检测每类商品的名称、商品简介、图片的内容、二维码规则等内容。

现有技术中，对页面的审核通常包括首次审核和后续抽查审核，分别采用如下两种方案：

首次审核：在页面发布前，用文本关键字对页面进行过滤，即对如商品名称、详情介绍等内容进行敏感词过滤；

后续抽查审核：在页面发布后，通过人工抽检页面，查看其名称、简介、图片或二维码等信息是否符合规定。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

无论是首次审核还是后续抽查审核，除了文本等少数可以经机器自动过滤敏感词的信息外，对于页面发布的其他大部分信息，如众多图片、二维码等审核需要依靠人工参与审核，费时费力且效率及准确率极低。

发明内容

有鉴于此，本发明实施例提供一种页面检测的方法和装置，能够解决对于页面检测需要依靠人工参与审核，费时费力且效率及准确率极低的技术问题。

为实现上述目的，根据本发明实施例的一个方面，提供了一种页面检测的方法。

本发明实施例的一种页面检测的方法包括：基于爬虫技术抓取页面信息；利用正则匹配技术和图形分析技术根据页面检测规则对所述页面信息进行检测，以得到页面检测结果。

可选地，基于爬虫技术抓取页面信息包括：基于所述爬虫技术获取页面的超文本标记语言文件信息，分析所述超文本标记语言文件信息得到文本信息和图案信息。

可选地，所述页面检测规则包括页面布局规则、文本规则和图案规则。

可选地，根据页面检测规则对所述页面信息进行检测包括：利用所述正则匹配技术根据所述文本规则对所述文本信息进行检测；利用所述图形分析技术根据所述图案规则对所述图案信息进行检测；以及根据所述页面布局规则对所述超文本标记语言文件信息进行检测。

可选地，所述图形分析技术是OpenCV分析技术。

为实现上述目的，根据本发明实施例的另一方面，提供了一种页面检测的装置。

本发明实施例的一种页面检测的装置包括：抓取模块，用于基于爬虫技术抓取页面信息；检测模块，用于利用正则匹配技术和图形分析技术根据页面检测规则对所述页面信息进行检测，以得到页面检测结果。

可选地，所述抓取模块还用于：基于所述爬虫技术获取页面的超文本标记语言文件信息，分析所述超文本标记语言文件信息得到文本信息和图案信息。

可选地，所述页面检测规则包括页面布局规则、文本规则和图案规则。

可选地，所述检测模块还用于：利用所述正则匹配技术根据所述文本规则对所述文本信息进行检测；利用所述图形分析技术根据所述图案规则对所述图案信息进行检测；以及根据所述页面布局规则对所述超文本标记语言文件信息进行检测。

可选地，所述图形分析技术是OpenCV分析技术。

为实现上述目的，根据本发明实施例的再一方面，提供了一种页面检测的电子设备。

本发明实施例的一种页面检测的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例的页面检测的方法。

为实现上述目的，根据本发明实施例的又一方面，提供了一种计算机可读介质。

本发明实施例的一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的页面检测的方法。

上述发明中的一个实施例具有如下优点或有益效果：因为采用基于爬虫技术抓取页面信息；利用正则匹配技术和图形分析技术根据页面检测规则对页面信息进行检测的技术手段，所以克服了现有技术中对于页面检测需要依靠人工参与审核，费时费力且效率及准确率极低的技术问题，进而实现对页面合规性进行自动处理的机制，利用爬虫技术结合文本正则匹配技术、图形分析技术实现了对页面内容的自动分析监控，提高了检测效率及准确率。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的页面检测的方法的主要流程的示意图；

图2是根据本发明实施例的页面检测的方法的实现框架示意图；

图3是根据本发明实施例的页面检测的方法的应用示意图一；

图4是根据本发明实施例的页面检测的方法的应用示意图二；

图5是根据本发明实施例的页面检测的装置的主要模块的示意图；

图6是本发明实施例可以应用于其中的示例性系统架构图；

图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本发明实施例的页面检测的方法的主要流程的示意图。

如图1所示，本发明实施例的一种页面检测的方法主要包括如下步骤：

步骤S101：基于爬虫技术抓取页面信息。

爬虫技术是一种按照一定的规则自动地抓取万维网信息的程序或者脚本，一般用于页面搜索、商品价格抓取等。

在本发明实施例中，利用爬虫技术根据网站页面的统一资源定位器(URL)地址，抓取所有页面信息，并存储所有页面信息。通过抓取并存储页面信息实现对页面的监控。此外，页面的类型可以包括商品详情页、新闻页面、知识说明页面等。

文本和图案是构成一个页面的两个最基本的元素，一个页面对应一个超文本标记语言文件，其中，文本和图案分别以不同的标签在超文本标记语言文件中显示。本发明实施例中，本步骤基于爬虫技术获取页面的超文本标记语言文件信息，分析超文本标记语言文件信息得到文本信息和图案信息。在超文本标记语言文件中图案的常用标签为“<img>”，文本的常用标签包括“<pre></pre>”、“<font></font>”、“<h1></h1>……<h6></h6>”等。

步骤S102：利用正则匹配技术和图形分析技术根据页面检测规则对页面信息进行检测，以得到页面检测结果。

正则匹配技术是一种利用正则表达式对文本进行校验的技术。图形分析技术可用于图像识别、人脸识别、图像分割、机器视觉等多个应用领域。通过正则匹配技术能够检测页面的文本中是否存在某些特定的内容，以及通过图形分析技术的图像识别技术对页面里图片内容进行分析，从而实现对页面的检测。

由于文本和图案是构成一个页面的两个最基本的元素，因此，对页面进行检测需要分别检测页面的文本和图案。本发明实施例中，页面检测规则包括页面布局规则、文本规则和图案规则。页面布局规则可以是页面中文本和图案的位置要求；文本规则可以是页面中某些位置不能出现哪些文字或需要有哪些文字等，图案规则可以是图案的内容要求或存在特定的图层文字等。

本发明实施中，本步骤可以通过利用正则匹配技术根据文本规则对文本信息进行检测；利用图形分析技术根据图案规则对图案信息进行检测；以及根据页面布局规则对超文本标记语言文件信息进行检测。对页面进行检测即基于文本规则和图案规则分别检测页面的文本信息和图案信息是否符合要求，以及基于页面布局规则检测页面中文本和图案的位置是否符合要求。

在本发明实施中，图形分析技术是OpenCV分析技术。OpenCV是一个基于伯克利软件套件(BSD)许可(开源)发行的跨平台计算机视觉库，是一种能够实现图像处理和计算机视觉等方面通用算法的计算机视觉库。通过OpenCV分析技术，可自动识别商品详情页图片中内嵌二维码，识别二维码内容是否合规；通过OpenCV分析技术，自动匹配图片中商家的商标是否合规，是否有规定的图层文字等。

根据本发明实施例的页面检测的方法可以看出，因为采用基于爬虫技术抓取页面信息；利用正则匹配技术和图形分析技术根据页面检测规则对页面信息进行检测的技术手段，所以克服了现有技术中对于页面检测需要依靠人工参与审核，费时费力且效率及准确率极低的技术问题，进而实现对页面合规性进行自动处理的机制，利用爬虫技术结合文本正则匹配技术、图形分析技术实现了对页面内容的自动分析监控，提高了检测效率及准确率。

图2是根据本发明实施例的页面检测的方法的实现框架示意图。

如图2所示，本发明实施例的页面检测的方法包括制定检测规则、抓取页面和检测页面三部分。其中：

制定检测规则：即制定对应的页面检测规则，包括页面布局规则、文本规则、图案规则。该页面检测规则可以根据行业或网站的相关规定制定。

抓取页面：系统调试器定时调度爬虫技术抓取页面，从而得到页面的超文本标记语言文件信息，分析超文本标记语言文件信息得到文本信息和图案信息，将文本信息和图案信息进行存储以便于后期检测。

检测页面：系统调试器定时调用合规分析系统根据检测规则对抓取的页面进行检测，检测结果可以通过报表或邮件等形式展示、推送。具体地，对于文本信息，利用正则匹配技术根据文本规则进行检测；对于图案信息，利用图形分析技术根据图案规则进行检测；对于页面结构，检测页面结构即检测页面中文本和图案的位置，分析超文本标记语言文件信息得到页面中文本和图案的位置，根据页面布局规则检测页面中文本和图案的位置是否符合要求。

图3是根据本发明实施例的页面检测的方法的应用示意图一；图4是根据本发明实施例的页面检测的方法的应用示意图二。

以京东商城的商品详情页的检测为例，其商品详情页的文本规则为商品简介中包含有“京东微联APP控制”、页面右上角是否有“爆品0元预约享低价”的正确链接；图案规则为包含有“上京东，搜微联，开启智能新生活！”、“京东微联”以及微联二维码；页面布局规则为商品简介作为标题。

系统调试器利用爬虫技术抓取商品详情页的超级文本标记语言(HTML)文件，分析HTML文件能够得到文本信息和图案信息，文本信息包括页面的所有文字，图案信息包括页面的所有图片，将所有的文本信息和图片分别存储至服务器。

系统调试器利用正则匹配技术根据文本规则检测对应于文本信息的HTML文件，例如，页面标题对应的HTML文件为“<title>【奥克斯KFR-72LW/TA01+2】奥克斯(AU6)3匹二级能效变频冷暖WIFI智能京东微联APP控制圆柱空调柜机(KFR-72LW/BpTA01+2)【行情报价价格评测】-京东</title>”，即页面标题中包含有“京东微联APP控制”，如图3所示，在页面显示的标题中包含有“京东微联APP控制”。

系统调试器分析HTML文件得到页面的图片，利用OpenCV分析技术根据图案规则检测该图片，如图4所示，在页面显示的图片中包含有“上京东，搜微联，开启智能新生活！”、“京东微联”以及微联二维码。例如，HTML文件中“<img src＝"file:///D|/images/tupian.jpeg"/>”表示图片的物理路径为“D盘的images文件下名称为tupian.jpeg”；HTML文件中“<img src＝"images/tupian.jpeg"/>”表示图片的网络路径为网站的主目录下。

HTML标签是HTML文件中最基本的单位，例如在超文本标记语言文件中图案的常用标签为“<img>”，文本的常用标签包括“<title>”、“<pre></pre>”、“<font></font>”等，分析HTML文件中的HTML标签即可获取到页面的文本和图片的位置，进而根据页面布局规则检测页面结构。

以上是本发明实施例的页面检测的方法应用于商品详情页检测的具体过程，对于其它类型页面的检测，只需重新制定新的检测规则，抓取页面和页面检测的过程相同。

图5是根据本发明实施例的页面检测的装置的主要模块的示意图。

如图5所示，本发明实施例的页面检测的装置500包括：抓取模块501和检测模块。

其中：

抓取模块501，用于基于爬虫技术抓取页面信息；

检测模块502，用于利用正则匹配技术和图形分析技术根据页面检测规则对所述页面信息进行检测，以得到页面检测结果。

此外，所述抓取模块还用于：基于所述爬虫技术获取页面的超文本标记语言文件信息，分析所述超文本标记语言文件信息得到文本信息和图案信息。

本发明实施例中，所述页面检测规则包括页面布局规则、文本规则和图案规则。

此外，所述检测模块还用于：利用所述正则匹配技术根据所述文本规则对所述文本信息进行检测；利用所述图形分析技术根据所述图案规则对所述图案信息进行检测；以及根据所述页面布局规则对所述超文本标记语言文件信息进行检测。

本发明实施例中，所述图形分析技术是OpenCV分析技术。

根据本发明实施例的页面检测的装置可以看出，因为采用基于爬虫技术抓取页面信息；利用正则匹配技术和图形分析技术根据页面检测规则对页面信息进行检测的技术手段，所以克服了现有技术中对于页面检测需要依靠人工参与审核，费时费力且效率及准确率极低的技术问题，进而实现对页面合规性进行自动处理的机制，利用爬虫技术结合文本正则匹配技术、图形分析技术实现了对页面内容的自动分析监控，提高了检测效率及准确率。

图6示出了可以应用本发明实施例的页面检测的方法或页面检测的装置的示例性系统架构600。

如图6所示，系统架构600可以包括终端设备601、602、603，网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备601、602、603通过网络604与服务器605交互，以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用等。

终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器605可以是提供各种服务的服务器，例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息)反馈给终端设备。

需要说明的是，本发明实施例所提供的页面检测的方法一般由服务器605执行，相应地，页面检测的装置一般设置于服务器605中。

应该理解，图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图7，其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括抓取模块和检测模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，抓取模块还可以被描述为“基于爬虫技术抓取页面信息的模块”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：步骤S101：基于爬虫技术抓取页面信息；步骤S102：利用正则匹配技术和图形分析技术根据页面检测规则对页面信息进行检测，以得到页面检测结果。

根据本发明实施例的技术方案，因为采用基于爬虫技术抓取页面信息；利用正则匹配技术和图形分析技术根据页面检测规则对页面信息进行检测的技术手段，所以克服了现有技术中对于页面检测需要依靠人工参与审核，费时费力且效率及准确率极低的技术问题，进而实现对页面合规性进行自动处理的机制，利用爬虫技术结合文本正则匹配技术、图形分析技术实现了对页面内容的自动分析监控，提高了检测效率及准确率。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (12)

1.一种页面检测的方法，其特征在于，包括：

基于爬虫技术抓取页面信息；

利用正则匹配技术和图形分析技术根据页面检测规则对所述页面信息进行检测，以得到页面检测结果。

2.根据权利要求1所述的方法，其特征在于，基于爬虫技术抓取页面信息包括：

基于所述爬虫技术获取页面的超文本标记语言文件信息，分析所述超文本标记语言文件信息得到文本信息和图案信息。

3.根据权利要求2所述的方法，其特征在于，

所述页面检测规则包括页面布局规则、文本规则和图案规则。

4.根据权利要求3所述的方法，其特征在于，根据页面检测规则对所述页面信息进行检测包括：

利用所述正则匹配技术根据所述文本规则对所述文本信息进行检测；

利用所述图形分析技术根据所述图案规则对所述图案信息进行检测；以及

根据所述页面布局规则对所述超文本标记语言文件信息进行检测。

5.根据权利要求1或4中任一所述的方法，其特征在于，

所述图形分析技术是OpenCV分析技术。

6.一种页面检测的装置，其特征在于，包括：

抓取模块，用于基于爬虫技术抓取页面信息；

检测模块，用于利用正则匹配技术和图形分析技术根据页面检测规则对所述页面信息进行检测，以得到页面检测结果。

7.根据权利要求6所述的装置，其特征在于，所述抓取模块还用于：

基于所述爬虫技术获取页面的超文本标记语言文件信息，分析所述超文本标记语言文件信息得到文本信息和图案信息。

8.根据权利要求7所述的装置，其特征在于，

所述页面检测规则包括页面布局规则、文本规则和图案规则。

9.根据权利要求8所述的装置，其特征在于，所述检测模块还用于：

利用所述正则匹配技术根据所述文本规则对所述文本信息进行检测；

利用所述图形分析技术根据所述图案规则对所述图案信息进行检测；以及

根据所述页面布局规则对所述超文本标记语言文件信息进行检测。

10.根据权利要求6或9中任一所述的装置，其特征在于，

所述图形分析技术是OpenCV分析技术。

11.一种页面检测的电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。