CN110209906A - 用于提取网页信息的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于提取网页信息的方法和装置。该方法的一具体实施方式包括：解析目标网页的源代码，得到目标网页的网页结构信息；基于网页结构信息，获取目标网页的各个链接标签的标签信息，生成标签信息集合；利用聚类算法对标签信息集合中的至少两个标签信息进行聚类，确定聚类结果中是否存在内容页链接簇和分页链接簇；响应于确定聚类结果中存在内容页链接簇和分页链接簇，根据包含内容页链接和分页链接的链接标签的标签信息，提取目标网页的内容页链接。该实施方式实现了目标网页的网页信息的提取。

Description

用于提取网页信息的方法和装置

技术领域

本申请涉及计算机技术领域，具体涉及数据处理领域，尤其涉及用于提取网页信息的方法和装置。

背景技术

在现今的大数据时代，拥有数据成为是否具有核心竞争力的先决条件，现实中的很多数据往往是非结构化的，比如网页。从非结构化的搜索数据中自动提取出想要的搜索内容链接是数据获取的第一步

现有技术主要使用文本抽取技术或模板定制技术实现内容抽取。其中，文本抽取技术可以通过正则表达式、Xpath、CSSQuery等相关语言很精准的抽取到想要的数据，使用此种技术的开发人员写出内容抽取的相关表达式，即可达到内容抽取的目的。模板定制技术需要预先设置好模板内容抽取规则，根据抽取模板的自定义规则实现自动抽取，后续只更新模板即可。

发明内容

本申请实施例提出了用于提取网页信息的方法和装置。

第一方面，本申请实施例提出了一种用于生成信息的方法，该方法包括：解析目标网页的源代码，得到目标网页的网页结构信息；基于网页结构信息，获取目标网页的各个链接标签的标签信息，生成标签信息集合；利用聚类算法对标签信息集合中的至少两个标签信息进行聚类，确定聚类结果中是否存在内容页链接簇和分页链接簇；响应于确定聚类结果中存在内容页链接簇和分页链接簇，根据包含内容页链接和分页链接的链接标签的标签信息，提取目标网页的内容页链接。

在一些实施例中，上述基于网页结构信息，获取目标网页的各个链接标签的标签信息，包括：对于目标网页的各个链接标签中的每一个链接标签，执行如下标签信息获取步骤：根据网页结构信息，确定该链接标签的各个关联标签，将该链接标签和该链接标签的各个关联标签排序，基于得到的标签序列确定为该链接标签的标签信息。

在一些实施例中，上述利用聚类算法对上述标签信息集合中的至少两个标签信息进行聚类，包括：根据上述网页结构信息，确定聚类算法的聚类参数；基于上述聚类参数，对上述标签信息集合中的至少两个标签信息进行聚类。

在一些实施例中，上述网页结构信息是文档对象模型信息。

在一些实施例中，上述确定聚类结果中是否存在内容页链接簇和分页链接簇，包括：确定聚类结果中的簇中的各个标签信息对应的标签的元素内容的文本长度的平均值是否大于预设平均值阈值；响应于确定平均值大于预设平均值阈值，确定聚类结果中存在内容页链接簇。

在一些实施例中，上述确定聚类结果中是否存在内容页链接簇和分页链接簇，包括：确定聚类结果中的簇中的各个标签信息对应的标签的元素内容所包含的数字字符的比例是否大于预设比例阈值；响应于确定比例大于预设比例阈值，确定聚类结果中存在分页链接簇。

第二方面，本申请实施例提出了一种用于提取网页链接的装置，该装置包括：解析单元，配置用于解析目标网页的源代码，得到目标网页的网页结构信息；生成单元，配置用于基于网页结构信息，获取目标网页的各个链接标签的标签信息，生成标签信息集合；聚类单元，配置用于利用聚类算法对标签信息集合中的至少两个标签信息进行聚类，确定聚类结果中是否存在内容页链接簇和分页链接簇；提取单元，配置用于响应于确定聚类结果中存在内容页链接簇和分页链接簇，根据包含内容页链接和分页链接的链接标签的标签信息，提取目标网页的内容页链接。

在一些实施例中，上述生成单元进一步配置用于：对于目标网页的各个链接标签中的每一个链接标签，执行如下标签信息获取步骤：根据网页结构信息，确定该链接标签的各个关联标签，将该链接标签和该链接标签的各个关联标签排序，基于得到的标签序列确定为该链接标签的标签信息。

在一些实施例中，上述聚类单元进一步配置用于：根据上述网页结构信息，确定聚类算法的聚类参数；基于上述聚类参数，对上述标签信息集合中的至少两个标签信息进行聚类。

在一些实施例中，上述网页结构信息是文档对象模型信息。

在一些实施例中，上述聚类单元进一步配置用于：确定聚类结果中的簇中的各个标签信息对应的标签的元素内容的文本长度的平均值是否大于预设平均值阈值；响应于确定平均值大于预设平均值阈值，确定聚类结果中存在内容页链接簇。

在一些实施例中，上述聚类单元进一步配置用于：确定聚类结果中的簇中的各个标签信息对应的标签的元素内容所包含的数字字符的比例是否大于预设比例阈值；响应于确定比例大于预设比例阈值，确定聚类结果中存在分页链接簇。

第三方面，本申请实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于提取网页信息的方法和装置，通过对上对目标网页的源代码进行解析，以便生成上述目标网页的网页结构信息，而后基于目标网页的网页结构信息，获得目标网页中的各个链接标签的标签信息，生成标签信息集合，以便利用聚类算法对标签信息集合中的至少两个标签信息进行聚类。从而确定包含内容页链接和分页链接的链接标签的标签信息，进而实现了目标网页的网页信息的提取。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于提取网页信息的方法的一个实施例的流程图；

图3是根据本申请的用于提取网页信息的方法的一个应用场景的示意图；

图4是根据本申请的用于提取网页信息的装置的一个实施例的结构示意图；

图5是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于提取网页信息的方法或提取网页信息的装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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101、102、103通过网络104与服务器105 交互，以接收或发送数据等。终端设备101、102、103上可以安装有各种客户端应用，例如搜索类应用、图像处理类应用、摄影摄像类应用等。

终端设备101、102、103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105可以是提供各种服务的服务器，例如对终端设备101、 102、103上显示的网页进行信息提取的网页信息提取服务器。网页信息提取服务器可以获取终端设备101、102、103上所显示的网页的源代码，对源代码的解析，得到网页相关信息。

需要说明的是，本申请实施例所提供的用于提取网页信息的方法一般由服务器105执行，相应地，用于提取网页信息的装置一般设置于服务器105中。

应该理解，图1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。

继续参考图2，示出了根据本申请的用于提取网页信息的方法的一个实施例的流程200。上述用于提取网页信息的方法，包括以下步骤：

步骤201，解析目标网页的源代码，得到目标网页的网页结构信息。

在本实施例中，用于生成信息的方法运行于其上的电子设备(例如图1所示的服务器105)可以利用现有的解析软件(例如超文本标记语言解析器)或相关技术人员预先开发的解析软件来解析目标网页的源代码，得到上述目标网页的网页结构信息。其中，上述网页结构信息可以包括描述网页中的各个标签的结构关系的信息(例如树形结构图、结构文档)，还可以包括网页中各个标签的结构的信息。上述目标网页可以是包括至少一个链接的网页。作为示例，上述目标网页可以是响应于用户在终端设备(例如图1所示的终端设备101、102、103) 所呈现的搜索引擎上进行内容搜索操作后，跳转到的网页。

步骤202，基于网页结构信息，获取目标网页的各个链接标签的标签信息，生成标签信息集合。

在本实施例中，上述电子设备可以基于上述网页结构信息，利用各种方法，获取目标网页的各个链接标签的标签信息，生成标签信息集合。其中，上述链接标签(例如标签<a>)是指超文本标记语言中用于创建链接的标签。上述链接标签的标签信息可以是用于标识该链接标签的信息。可选的，标签<a>的标签信息可以是标签名称“a”。作为示例，网页中包含的一个HTML元素为：<a href＝"url">Link text</a>，上述电子设备可以将标签<a>的标签名称“a”确定为对应的标签信息。

在本实施例的一些可选的实施方式中，对于上述目标网页的各个链接标签中的每一个链接标签，上述电子设备可以通过如下步骤获取该链接标签的标签信息：首先，根据所述网页结构信息，上述电子设备可以确定该链接标签的各个关联标签；然后，上述电子设备可以将该链接标签和该链接标签的各个关联标签排序，基于得到的标签序列确定为该链接标签的标签信息。其中，上述关联标签可以是除根标签外的、与该链接标签有嵌套关系的标签。

作为示例，网页中包含的HTML元素为：

<div class＝"main left">

<div class＝"main-left left">

<a title＝"文本信息"href＝"http://www.****"></a>

</div>

</div>

实践中，上述电子设备可以通过超文本标记语言(Hyper Text Markup Language，HTML)文档对象模型(Document Object Model， DOM)中定义的标准方法，获取目标网页的各个链接标签的关联标签。作为示例，上述电子设备可以确定上述链接标签<a>的关联标签为 <div><div>，将链接标签<a>和关联标签<div><div>排序，得到标签序列<div><div><a>，可以将该标签序列中各个标签的标签名称组成的序列“div div a”作为链接标签<a>的标签信息。针对目标网页中的各个链接标签，可以采用同样的方法，获取目标网页中各个链接标签的标签信息，组成标签信息集合。

步骤203，利用聚类算法对标签信息集合中的至少两个标签信息进行聚类，确定聚类结果中是否存在内容页链接簇和分页链接簇。

在本实施例中，上述电子设备可以利用机器学习的各种聚类算法 (例如K-means算法、K-medoids算法、Clara算法、Clarans算法)对上述标签信息集合中的至少两个标签信息进行聚类，得到包括至少一个类簇的聚类结果。

在本实施例的一些可选的实施方式中，对于上述聚类结果中是否存在内容页链接簇，上述电子设备可以通过如下方式确定：

第一，上述电子设备可以统计聚类结果中的簇中的各个标签信息对应的标签的元素内容的文本长度(例如，以中文的字数、英文的词数为单位)的平均值，确定平均值是否大于预设平均值阈值(预设平均值阈值可以由技术人员预先指定)；

第二，响应于确定平均值大于预设平均值阈值，上述电子设备可以确定聚类结果中存在内容页链接簇。其中，上述内容页链接簇中的标签信息对应的链接标签用于创建内容页链接。上述内容页链接是指用于跳转至内容页的链接。上述元素内容是指标签的开始标签与结束标签之间的文本内容。

在本实施例的一些可选的实施方式中，对于上述聚类结果中是否存在分页链接簇，上述电子设备可以通过如下方式确定：

第一，上述电子设备可以计算聚类结果中的簇中的各个标签信息对应的标签的元素内容所包含的数字字符比例，确定比例是否大于预设比例阈值；

第二，响应于确定比例大于预设比例阈值，上述电子设备可以确定聚类结果中存在分页链接簇。其中，上述分页链接簇中的标签信息对应的链接标签用于创建分页链接。上述分页链接是指用于跳转至分页的链接。

在本实施例的一些可选的实施方式中，上述电子设备可以根据上述网页结构信息，确定聚类算法的聚类参数，其中，上述聚类参数是指预设的、聚类结果中的簇的个数。之后，上述电子设备可以根据上述聚类参数，对上述标签信息集合中的至少两个标签信息进行聚类。作为示例，上述电子设备可以利用K-means算法对上述标签信息集合中的至少两个标签信息进行聚类。首先，上述电子设备可以将链接标签的嵌套结构的种类数确定为K-means算法中的聚类参数K；然后，上述电子设备可以根据参数K对上述标签信息集合中的至少两个标签信息进行聚类。上述K-means算法是最为经典的基于划分的聚类方法，是十大经典数据挖掘算法之一。

步骤204，响应于确定聚类结果中存在内容页链接簇和分页链接簇，根据包含内容页链接和分页链接的链接标签的标签信息，提取目标网页的内容页链接。

在本实施例中，响应于确定聚类结果中存在内容页链接簇和分页链接簇，上述电子设备可以根据包含内容页链接和分页链接的链接标签的标签信息，提取目标网页的内容页链接。具体地，首先，上述电子设备可以根据内容页链接的链接标签的标签信息提取当前页面的内容页链接。然后，上述电子设备可以根据分页链接的链接标签的标签信息提取各个分页链接。最后，上述电子设备可以根据内容页链接的链接标签的标签信息和各个分页链接提取各个分页中的内容页链接。

作为示例，在根据包含内容页链接和分页链接的链接标签的标签信息，提取目标网页的内容页链接确定聚类结果中的内容页链接簇和分页链接簇之前，上述电子设备可以将聚类结果中的各个标签信息对应的标签的元素内容的文本长度的平均值最大的簇确定为内容页链接簇；还可以将对应的标签的元素内容全部由数字构成的标签信息的数量与全部标签信息数量的比例大于预设比例阈值的簇确定为分页链接簇。

继续参见图3，图3是根据本实施例的用于提取网页信息的方法的应用场景的一个示意图。在图3的应用场景中，首先，用户在终端设备(例如笔记本电脑)具有的搜索引擎上进行内容搜索操作(例如搜索“天气”)，终端设备的显示页面跳转至根据用户所输入的内容确定的与“天气”内容相关的页面301。而后，服务器对通过页面301 的源代码进行解析，得到页面301的网页结构信息。之后，服务器基于网页结构信息，获取页面301的各个链接标签的标签信息，生成标签信息集合。然后，服务器利用聚类算法(例如K-means算法)对标签信息集合中的标签信息进行聚类，得到聚类后的聚类结果302，确定聚类结果中是否存在内容页链接簇和分页链接簇。最后，响应于确定聚类结果中存在内容页链接簇3021和分页链接簇3022，服务器根据包含内容页链接的标签信息“div div div a”和分页链接的链接标签的标签信息“div div table tbody tr td a”，提取目标网页的内容页链接。

本申请的上述实施例提供的方法通过对上对目标网页的源代码进行解析，以便生成上述目标网页的网页结构信息，而后基于目标网页的网页结构信息，获得目标网页中的各个链接标签的标签信息，生成标签信息集合，以便利用聚类算法对标签信息集合中的至少两个标签信息进行聚类。从而确定包含内容页链接和分页链接的链接标签的标签信息，进而实现了目标网页的网页信息的提取。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种用于生成信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例的用于提取网页信息的装置400包括：解析单元401、生成单元402、聚类单元403和提取单元404。其中，解析单元401配置用于解析目标网页的源代码，得到上述目标网页的网页结构信息；生成单元402配置用于基于上述网页结构信息，获取上述目标网页的各个链接标签的标签信息，生成标签信息集合；聚类单元403配置用于利用聚类算法对上述标签信息集合中的至少两个标签信息进行聚类，确定聚类结果中是否存在内容页链接簇和分页链接簇；提取单元404配置用于响应于确定聚类结果中存在内容页链接簇和分页链接簇，根据包含内容页链接和分页链接的链接标签的标签信息，提取目标网页的内容页链接。

在本实施例中，用于提取网页信息的装置400的解析单元401、生成单元402、聚类单元403和提取单元404的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤 203和步骤204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述生成单元402进一步配置用于：对于上述目标网页的各个链接标签中的每一个链接标签，执行如下标签信息获取步骤：根据网页结构信息，确定该链接标签的各个关联标签，将该链接标签和该链接标签的各个关联标签排序，基于得到的标签序列确定为该链接标签的标签信息。

在本实施例的一些可选的实现方式中，上述聚类单元403进一步配置用于：根据上述网页结构信息，确定聚类算法的聚类参数；基于上述聚类参数，对上述标签信息集合中的至少两个标签信息进行聚类。

在本实施例的一些可选的实现方式中，上述网页结构信息是文档对象模型信息。

在本实施例的一些可选的实现方式中，上述聚类单元403进一步配置用于：确定聚类结果中的簇中的各个标签信息对应的标签的元素内容的文本长度的平均值是否大于预设平均值阈值；响应于确定平均值大于预设平均值阈值，确定聚类结果中存在内容页链接簇。

在本实施例的一些可选的实现方式中，上述聚类单元403进一步配置用于：确定聚类结果中的簇中的各个标签信息对应的标签的元素内容所包含的数字字符的比例是否大于预设比例阈值；响应于确定比例大于预设比例阈值，确定聚类结果中存在分页链接簇。

下面参考图5，其示出了适于用来实现本申请实施例的服务器的计算机系统500的结构示意图。图5示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU，Central Processing Unit)501，其可以根据存储在只读存储器(ROM，Read Only Memory)502中的程序或者从存储部分506加载到随机访问存储器 (RAM，Random Access Memory)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O，Input/Output)接口505也连接至总线504。

以下部件连接至I/O接口505：包括硬盘等的存储部分506；以及包括诸如LAN(局域网，Local Area Network)卡、调制解调器等的网络接口卡的通信部分507。通信部分507经由诸如因特网的网络执行通信处理。驱动器508也根据需要连接至I/O接口505。可拆卸介质509，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508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506。

特别地，根据本公开的实施例，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507从网络上被下载和安装，和/或从可拆卸介质509被安装。在该计算机程序被中央处理单元(CPU)501 执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述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。在本申请中，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。而在本申请中，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，图示了按照本申请各种实施例的系统、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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括解析单元、生成单元、聚类单元和提取单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，解析单元还可以被描述为“解析网页源代码的单元”。

作为另一方面，本申请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装置中所包含的；也可以是单独存在，而未装配入该装置中。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该装置执行时，使得该装置：解析目标网页的源代码，得到上述目标网页的网页结构信息；基于上述网页结构信息，获取上述目标网页的各个链接标签的标签信息，生成标签信息集合；利用聚类算法对上述标签信息集合中的至少两个标签信息进行聚类，确定聚类结果中是否存在内容页链接簇和分页链接簇；响应于确定聚类结果中存在内容页链接簇和分页链接簇，根据包含内容页链接和分页链接的链接标签的标签信息，提取目标网页的内容页链接。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于) 具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种用于提取网页信息的方法，包括：

解析目标网页的源代码，得到所述目标网页的网页结构信息；

基于所述网页结构信息，获取所述目标网页的各个链接标签的标签信息，生成标签信息集合；

利用聚类算法对所述标签信息集合中的至少两个标签信息进行聚类，确定聚类结果中是否存在内容页链接簇和分页链接簇；

响应于确定聚类结果中存在内容页链接簇和分页链接簇，根据包含内容页链接和分页链接的链接标签的标签信息，提取所述目标网页的内容页链接。

2.根据权利要求1所述的方法，其中，所述基于所述网页结构信息，获取所述目标网页的各个链接标签的标签信息，包括:

对于所述目标网页的各个链接标签中的每一个链接标签，执行如下标签信息获取步骤：根据所述网页结构信息，确定该链接标签的各个关联标签，将该链接标签和该链接标签的各个关联标签排序，基于得到的标签序列确定为该链接标签的标签信息。

3.根据权利要求1所述的方法，其中，所述利用聚类算法对所述标签信息集合中的至少两个标签信息进行聚类，包括：

根据所述网页结构信息，确定聚类算法的聚类参数；

基于所述聚类参数，对所述标签信息集合中的至少两个标签信息进行聚类。

4.根据权利要求1所述的方法，其中，所述网页结构信息是文档对象模型信息。

5.根据权利要求1-4之一所述的方法，其中，所述确定聚类结果中是否存在内容页链接簇和分页链接簇，包括：

确定聚类结果中的簇中的各个标签信息对应的标签的元素内容的文本长度的平均值是否大于预设平均值阈值；

响应于确定所述平均值大于预设平均值阈值，确定聚类结果中存在内容页链接簇。

6.根据权利要求1-4之一所述的方法，其中，所述确定聚类结果中是否存在内容页链接簇和分页链接簇，包括：

确定聚类结果中的簇中的各个标签信息对应的标签的元素内容所包含的数字字符的比例是否大于预设比例阈值；

响应于确定所述比例大于预设比例阈值，确定聚类结果中存在分页链接簇。

7.一种用于提取网页链接的装置，包括：

解析单元，配置用于解析目标网页的源代码，得到所述目标网页的网页结构信息；

生成单元，配置用于基于所述网页结构信息，获取所述目标网页的各个链接标签的标签信息，生成标签信息集合；

聚类单元，配置用于利用聚类算法对所述标签信息集合中的至少两个标签信息进行聚类，确定聚类结果中是否存在内容页链接簇和分页链接簇；

提取单元，配置用于响应于确定聚类结果中存在内容页链接簇和分页链接簇，根据包含内容页链接和分页链接的链接标签的标签信息，提取所述目标网页的内容页链接。

8.根据权利要求7所述的装置，其中，所述生成单元进一步配置用于：

对于所述目标网页的各个链接标签中的每一个链接标签，执行如下标签信息获取步骤：根据所述网页结构信息，确定该链接标签的各个关联标签，将该链接标签和该链接标签的各个关联标签排序，基于得到的标签序列确定为该链接标签的标签信息。

9.根据权利要求7所述的装置，其中，所述聚类单元进一步配置用于：

根据所述网页结构信息，确定聚类算法的聚类参数；

基于所述聚类参数，对所述标签信息集合中的至少两个标签信息进行聚类。

10.根据权利要求7所述的装置，其中，所述网页结构信息是文档对象模型信息。

11.根据权利要求7-10之一所述的装置，其中，所述聚类单元进一步配置用于：

确定聚类结果中的簇中的各个标签信息对应的标签的元素内容的文本长度的平均值是否大于预设平均值阈值；

响应于确定所述平均值大于预设平均值阈值，确定聚类结果中存在内容页链接簇。

12.根据权利要求7-10之一所述的装置，其中，所述聚类单元进一步配置用于：

确定聚类结果中的簇中的各个标签信息对应的标签的元素内容所包含的数字字符的比例是否大于预设比例阈值；

响应于确定所述比例大于预设比例阈值，确定聚类结果中存在分页链接簇。

13.一种服务器，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1-6中任一所述的方法。

14.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。