CN111125587A - 网页结构优化方法、装置、设备和存储介质 - Google Patents

Abstract

本申请实施例公开了一种网页结构优化方法、装置、设备和存储介质，涉及网页处理技术领域。具体实现方案为：响应用户的网页触发行为，确定用户访问的目标网页；确定所述目标网页中元素的原始结构信息和目标结构信息；其中，所述目标结构信息是通过对候选网页中元素的结构分析得到；若检测到所述原始结构信息与所述目标结构信息不一致，则根据所述目标结构信息，对所述目标网页中元素的结构进行转化，以向用户展示结构转化后的目标网页。本申请实施例通过对候选网页结构进行自动化离线分析，预先确定网页中元素的目标结构信息，实现了在线的网页结构优化，避免了网页结构优化中的人工参与，降低网页结构优化成本，提高网页结构优化效率和准确率。

Description

网页结构优化方法、装置、设备和存储介质

技术领域

本申请实施例涉及计算机技术领域，尤其涉及网页处理技术领域，具体涉及一种网页结构优化方法、装置、设备和存储介质。

背景技术

在当今互联网浏览环境下，广大互联网用户浏览着设计良莠不齐、充斥不良内容的网站。目前依赖于站长将网页渲染成统一结构，由于站点数量十分庞大，基于人工的处理方式不仅效率低、时效性差，而且对人工的开发能力要求较高，增加投入成本，降低准确性，难以实现在线的网页结构优化。

发明内容

本申请实施例提供了一种网页结构优化方法、装置、设备和存储介质，能够实现在线的网页结构优化，降低网页优化成本，提高网页优化效率和准确率。

第一方面，本申请实施例提供了一种网页结构优化方法，包括：

响应用户的网页触发行为，确定用户访问的目标网页；

确定所述目标网页中元素的原始结构信息和目标结构信息；其中，所述目标结构信息是通过对候选网页中元素的结构分析得到；

若检测到所述原始结构信息与所述目标结构信息不一致，则根据所述目标结构信息，对所述目标网页中元素的结构进行转化，以向用户展示结构转化后的目标网页。

上述申请中的一个实施例具有如下优点或有益效果：通过对候选网页结构进行自动化离线分析，预先确定网页中元素的目标结构信息，实现了在线的网页结构优化，避免了网页结构优化中的人工参与，降低网页结构优化成本，提高网页结构优化效率和准确率。

可选的，所述确定所述目标网页中元素的原始结构信息和目标结构信息，包括：

若检测到所述目标网页为所述候选网页，则根据所述候选网页中元素与原始结构信息之间的映射关系，确定所述目标网页中元素的原始结构信息；

根据元素类型与目标结构信息之间的映射关系，确定所述目标网页中元素的目标结构信息。

上述申请中的一个实施例具有如下优点或有益效果：基于预先确定的候选网页中元素的原始结构信息，以及各类元素的目标结构信息，实现在线实时提取结构信息，提高结构信息的在线提取效率和准确性。

可选的，通过对候选网页中元素的结构分析得到所述目标结构信息，包括：

识别所述候选网页中网页数据所属的元素，并提取元素的原始结构信息，以得到所述候选网页中元素与原始结构信息之间的映射关系；

根据所述候选网页所属站点中同类元素与原始结构信息之间的映射关系，确定所述站点内该类元素与目标结构信息之间的映射关系。

上述申请中的一个实施例具有如下优点或有益效果：通过对候选网页结构进行自动化离线分析，预先确定候选网页中元素的原始结构信息，以及各类元素的目标结构信息，为在线实时的信息提取提供依据，提高了在线处理效率。

可选的，所述识别所述候选网页中网页数据所属的元素，包括：

驱动浏览器，得到所述候选网页的网页数据；

根据所述网页数据的特征，识别所述网页数据所属的元素。

上述申请中的一个实施例具有如下优点或有益效果：通过驱动浏览器，模拟了用户访问的真实场景，提供了与用户实际访问环境一致的分析环境。进而在一致的分析环境中，通过对网页数据特征的计算，无需人工标注自动识别网页数据所属的元素，提高网页结构分析的效率和准确性。

可选的，所述驱动浏览器，得到所述候选网页的网页数据，包括：

驱动浏览器，确定所述候选网页的文档对象模型；

通过所述浏览器调用离线分析模块，确定所述文档对象模型中节点关联的网页数据。

上述申请中的一个实施例具有如下优点或有益效果：通过对于浏览器的驱动和离线分析模块的调用，模拟了用户的真实访问操作，遍历得到了网页的文档对象模型中各节点关联的网页数据，供特征计算和元素识别使用。

可选的，在所述根据所述网页数据的特征，识别所述网页数据所属的元素之前，还包括：

根据所述候选网页所属站点，确定所述网页数据的特征。

上述申请中的一个实施例具有如下优点或有益效果：鉴于站点类型的不同导致网页数据的不同，因此可以预先为不同站点设置不同的元素识别策略，从而根据候选网页所属站点确定网页数据的特征，以识别网页数据所属的元素。

可选的，所述根据所述候选网页所属站点中同类元素与原始结构信息之间的映射关系，确定所述站点内该类元素与目标结构信息之间的映射关系，包括：

在所述候选网页所属站点中，确定相同原始结构信息在同类元素中所占的比例；

根据相同原始结构信息在同类元素中所占的比例，选择所述站点内该类元素的目标结构信息。

上述申请中的一个实施例具有如下优点或有益效果：在同一站点内，可以对同类元素的原始结构信息进行投票，从而选择多数采用的原始结构信息作为该类元素的目标结构信息，以便统一该站点内同类元素的数据结构。

第二方面，本申请实施例提供了一种网页结构优化装置，包括：

访问网页确定模块，用于响应用户的网页触发行为，确定用户访问的目标网页；

结构信息提取模块，用于确定所述目标网页中元素的原始结构信息和目标结构信息；其中，所述目标结构信息是通过对候选网页中元素的结构分析得到；

网页结构转化模块，用于若检测到所述原始结构信息与所述目标结构信息不一致，则根据所述目标结构信息，对所述目标网页中元素的结构进行转化，以向用户展示结构转化后的目标网页。

第三方面，本申请实施例提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任意实施例所述的网页结构优化方法。

第四方面，本申请实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请任意实施例所述的网页结构优化方法。

上述申请中的一个实施例具有如下优点或有益效果：当用户在线访问网页时，根据用户的网页触发行为确定用户访问的目标网页，基于对候选网页中元素的结构分析得到的结构信息，确定目标网页中元素的原始结构信息和目标结构信息，从而在原始结构信息与目标结构信息不一致时，将目标网页中元素的结构转化为目标结构信息中的结构，并向用户展示结构转化后的目标网页。本申请实施例通过对候选网页结构进行自动化离线分析，预先确定网页中元素的目标结构信息，实现了在线的网页结构优化，避免了网页结构优化中的人工参与，降低网页结构优化成本，提高网页结构优化效率和准确率。

上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请第一实施例的一种网页结构优化方法的流程图；

图2是根据本申请第二实施例的一种网页结构优化方法的流程图；

图3是根据本申请第三实施例的一种网页结构优化方法的流程图；

图4是根据本申请第三实施例的特征分析的示例图；

图5是根据本申请第三实施例的网页结构优化系统的示例图；

图6是根据本申请第四实施例的一种网页结构优化装置的结构示意图；

图7是用来实现本申请实施例的网页结构优化方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。

第一实施例

图1是根据本申请第一实施例的一种网页结构优化方法的流程图，本实施例可适用于在线对站点内的网页结构进行优化的情况，该方法可由一种网页结构优化装置来执行，该装置采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如小说站点的服务器。如图1所示，该方法具体包括如下：

S110、响应用户的网页触发行为，确定用户访问的目标网页。

在本申请具体实施例中，用户可以通过在站点内进行搜索、点击等触发行为，将页面跳转至用户所要访问的目标网页。其中，站点可以是互联网中任一站点，例如小说站点、视频站点或新闻站点等。站长或站点内其他工作人员可以对站点内的网页进行编辑、排版等管理操作，以将优质站点提供给用户进行访问。

S120、确定目标网页中元素的原始结构信息和目标结构信息；其中，目标结构信息是通过对候选网页中元素的结构分析得到。

在本申请具体实施例中，站点内每个网页的网页数据基于元素进行划分以构成页面布局，例如小说站点的网页中可以包括标题元素、章节元素或正文元素等。元素的结构信息是指元素中网页数据的渲染样式，例如正文元素中可以采用四号宋体对正文内容进行渲染。

本实施例中，原始结构信息是指网页在未经结构优化时，网页中各元素的原本结构信息。对于不同网页，或同类型站点中的不同网页，基于网页的原本设计者可能采用了不同的结构样式。或者，在互联网的处理下，网页中还可能还充斥了广告、违法内容等不利于推荐给用户的内容。因此，当用户在线访问网页时，需要提取目标网页的原始结构信息，以便识别是否需要对目标网页进行结构统一和优化。

本实施例中，目标结构信息是指元素所期望渲染成为的结构。鉴于站点内网页结构的统一，目标结构信息中可以以元素类型为基准，规定了站点内同类元素所渲染的样式；鉴于站点内网页内容的优质，还可以规定某类元素是否展示等展示需求。其中，目标结构信息可以是基于离线分析确定的，例如在离线分析状态下，通过对同一站点内同类元素原始结构信息的提取、分析和统计，确定的大多数同类元素所采用的原始结构信息。

具体的，可以以站点内部分或所有网页作为候选网页，预先基于一定的离线分析频率对候选网页进行分析。为了保障离线分析结果在在线使用时的时效性，可以对离线分析频率进行调整。可以理解的是，离线分析频率越高，在线实时获取的分析结果的时效性和准确性越高。

在每一次离线分析时，可以借助Web自动化分析工具的能力，通过驱动浏览器模拟用户的真实访问操作，得到候选网页的文档对象模型(Document Object Model，DOM)。调用JavaScript离线分析模块，提取各未知元素的网页数据，无需人工标注，通过计算网页数据特征来识别网页数据所属元素。并提取候选网页中元素的原始结构信息，得到候选网页中元素与原始结构信息之间的映射关系。从而鉴于站点内网页结构的统一，在候选网页所属站点中，可以以元素类型为基准，确定相同原始结构信息在同类元素中所占的比例；根据相同原始结构信息在同类元素中所占的比例，例如选择比例最大的原始结构信息作为该类元素的目标结构信息。

可选的，若检测到目标网页为候选网页，则根据候选网页中元素与原始结构信息之间的映射关系，确定目标网页中元素的原始结构信息；根据元素类型与目标结构信息之间的映射关系，确定目标网页中元素的目标结构信息。

本实施例在将站点内的所有网页都作为候选网页的情况下，通过对候选网页的离线分析，当在线实时结构优化时，可以直接根据预先确定的映射关系获取目标网页的原始结构信息。从而对在线流程进行精简，提高在线实时结构信息的提取效率。相应的，若只采用了部分网页作为候选网页，或者若在一次离线分析之后，站点内才添加了新增网页，或者新增了与现有站点同类型的新站点，即并不存在目标网页与结构信息之间的映射关系，因此可以采用与离线分析相同的方式，在线分析提取目标网页的原始结构信息。其中有可能导致在线网页结构优化的效率降低。而目标网页中各元素的目标结构信息，可以根据离线确定的映射关系直接获得。

S130、若检测到原始结构信息与目标结构信息不一致，则根据目标结构信息，对目标网页中元素的结构进行转化，以向用户展示结构转化后的目标网页。

在本申请具体实施例中，可以将各元素的原始结构信息与目标结构信息进行比对，若目标网页中存在任一元素的原始结构信息与目标结构信息不一致，则表示目标网页的当前渲染方式不利于展示给用户。因此可以进一步的将目标网页中原始结构信息与目标结构信息不一致的元素确定为待优化元素，并按照待优化元素的目标结构信息，对待优化元素的结构进行重新渲染，将待优化元素的结构转化为目标结构信息中所规定的展示方式。

其中，本实施例通过基于离线分析预先确定网页中元素的目标结构信息，当用户在线访问网页时，在线对网页中元素的结构进行优化即可，避免站点工作人员后台低效的人工优化，对于响应站点结构变化的时效性，能够从天级别优化为分钟级别，优化效率显著提升，扩展性强。

示例性的，假设用户在某一小说站点中进行浏览，通过用户的触发行为确定了用户即将访问的目标网页。假设目标网页中包括标题元素、正文元素和附加元素，进而根据预先确定的候选网页中元素与原始结构信息之间的映射关系，在线获取目标网页中标题元素、正文元素和附加元素的原始结构信息。其中，假设标题元素的原始结构信息为二号黑体，正文元素的原始结构信息为三号黑体，附加元素原始结构信息标识内容违法。并根据预先确定的元素类型与目标结构信息之间的映射关系，在线确定目标网页中标题元素、正文元素和附加元素的目标结构信息。其中，假设标题元素的目标结构信息为二号黑体，正文元素的目标结构信息为四号宋体，附加元素的目标结构信息为不显示。因此通过比对，可以确定目标网页中正文元素和附加元素，其原始结构信息与目标结构信息不一致，从而将目标网页的正文元素的结构重新转化渲染为四号宋体，将附加元素从目标网页中去除，以向用户展示结构转化后的目标网页。

本实施例的技术方案，当用户在线访问网页时，根据用户的网页触发行为确定用户访问的目标网页，基于对候选网页中元素的结构分析得到的结构信息，确定目标网页中元素的原始结构信息和目标结构信息，从而在原始结构信息与目标结构信息不一致时，将目标网页中元素的结构转化为目标结构信息中的结构，并向用户展示结构转化后的目标网页。本申请实施例通过对候选网页结构进行自动化离线分析，预先确定网页中元素的目标结构信息，实现了在线的网页结构优化，避免了网页结构优化中的人工参与，降低网页结构优化成本，提高网页结构优化效率和准确率。

第二实施例

图2是根据本申请第二实施例的一种网页结构优化方法的流程图，本实施例在上述第一实施例的基础上，进一步对目标结构信息的离线分析过程进行解释说明，能够在响应用户的网页触发行为确定用户访问的目标网页之前，识别候选网页中网页数据所属元素，构建候选网页中元素与原始结构信息之间的映射关系，以及站点内同类元素与目标结构信息之间的映射关系。如图2所示，该方法具体包括如下：

S210、识别候选网页中网页数据所属的元素，并提取元素的原始结构信息，以得到候选网页中元素与原始结构信息之间的映射关系。

在本申请具体实施例中，可以以站点内部分或所有网页作为候选网页进行离线分析。其中，为了原始结构信息的高效提取以及目标结构信息的准确选取，优选采用站点内所有的网页均作为候选网页，供离线分析。

本实施例中，避免人工的参与，无需人工对元素的标注，可以在离线分析时主动识别候选网页中各部分网页数据所属的元素，从而提取元素的原始结构信息，建立元素与原始结构信息之间的映射关系。其中，鉴于站点类型的不同导致网页数据的不同，因此可以根据不同网站的特点，预先为不同站点设置不同的元素识别策略，从而根据元素识别策略确定网页数据特征，并根据网页数据特征识别网页数据所属元素。

示例性的，以小说站点为例，可以以字数增长率最大为正文元素作为元素识别策略，通过计算目标网页中各部分网页数据的字数增长率来识别正文元素；还可以以字符重复度最大为章节元素作为元素识别策略，通过计算目标网页中各部分网页数据的字符重复度来识别章节元素。

可选的，驱动浏览器，得到候选网页的网页数据；根据网页数据的特征，识别网页数据所属的元素。

本实施例中，Web自动化分析工具具有浏览器的驱动能力，基于脚本自动化完成功能的验证。可以通过Web自动化分析工具对于浏览器的驱动，模拟了用户访问的真实场景，提供了与用户实际访问环境一致的分析环境，避免环境的不一致导致结构信息有所偏差。在Web自动化分析工具的基础上，能够高效准确地提供网页分析环境，可以将网页的交互、跳转、分析程序运行等页面操作和分析流程形成闭环，执行特征计算算子，对网页结构实现自动化的离线分析。

具体的，可以根据不同网站的特点，预先为不同站点设置不同的元素识别策略，编写JavaScript程序作为离线分析模块。在离线分析时，运行Web自动化分析工具，自动驱动浏览器启动，并通过模拟用户的操作，通过元素的识别跳转至各个候选网页以供分析。将离线分析模块注入至候选网页程序中，并得到候选网页的文档对象模型。通过浏览器调用离线分析模块，对文档对象模型进行遍历，得到文档对象模型中各节点关联的网页数据。根据候选网页所属站点，以及站点的元素识别策略，执行特征计算算子确定网页数据的特征。从而根据网页数据的特征，识别候选网页中网页数据所属的元素。并从候选网页的网页程序中，例如HTML代码中，提取该元素的原始结构信息。建立候选网页中元素与原始结构信息之间的映射关系，存储至数据库中供在线使用。

S220、根据候选网页所属站点中同类元素与原始结构信息之间的映射关系，确定站点内该类元素与目标结构信息之间的映射关系。

在本申请具体实施例中，鉴于站点内网页结构的统一，在候选网页所属站点中，可以以元素类型为基准，根据候选网页所属站点中同类元素与原始结构信息之间的映射关系，对同类元素所采用的多种原始结构信息进行投票选举，出现频次最多的原始结构信息即为可信结构，相应的作为该类元素的目标结构信息。建立元素类型与目标结构信息之间的映射关系，存储至数据库中供在线使用。

具体的，可以根据候选网页所属站点中同类元素与原始结构信息之间的映射关系，确定相同原始结构信息在同类元素中所占的比例。根据相同原始结构信息在同类元素中所占的比例，选择所占比例最大的原始结构信息作为该类元素的目标结构信息。

S230、响应用户的网页触发行为，确定用户访问的目标网页。

S240、若检测到目标网页为候选网页，则根据候选网页中元素与原始结构信息之间的映射关系，确定目标网页中元素的原始结构信息。

S250、根据元素类型与目标结构信息之间的映射关系，确定目标网页中元素的目标结构信息。

S260、若检测到原始结构信息与目标结构信息不一致，则根据目标结构信息，对目标网页中元素的结构进行转化，以向用户展示结构转化后的目标网页。

本实施例的技术方案，通过Web自动化分析工具对于浏览器的驱动，模拟了用户访问的真实场景，提供了与用户实际访问环境一致的分析环境。进而在一致的分析环境中，通过对网页数据特征的计算，无需人工标注自动识别网页数据所属的元素，建立元素与结构信息之前的映射关系，提高网页结构分析的效率和准确性。从而通过对候选网页结构进行自动化离线分析，基于预先确定的网页中元素的目标结构信息，实现了在线的网页结构优化，避免了网页结构优化中的人工参与，降低网页结构优化成本，提高网页结构优化效率和准确率。

第三实施例

图3是根据本申请第三实施例的一种网页结构优化方法的流程图，本实施例在上述第二实施例的基础上，进一步对目标结构信息的离线分析过程进行解释说明，能够驱动浏览器，计算候选网页中网页数据特征并识别网页数据所属元素，从而构建候选网页中元素与原始结构信息之间的映射关系，以及站点内同类元素与目标结构信息之间的映射关系。如图3所示，该方法具体包括如下：

S310、驱动浏览器，确定候选网页的文档对象模型。

在本申请具体实施例中，可以运行Web自动化分析工具可以驱动浏览器打开候选网页，并直接获得候选网页的文档对象模型。

S320、通过浏览器调用离线分析模块，确定文档对象模型中节点关联的网页数据。

在本申请具体实施例中，离线分析模块用于对候选网页的结构进行离线分析。离线分析模块中可以包括流程类函数、特征策略类函数、特征计算类函数以及用户行为类函数等。其中，流程类函数用于对元素进行操作，例如在小说站点中，由首页跳转至具体的书籍页面、由书籍页面跳转至详情页等；特征策略类函数用于调用特征计算类函数，计算网页数据的特征，并根据特征识别网页数据所属元素；用户行为类函数用于在特征策略类函数识别出元素之后，基于流程类函数中各元素之间的关系，模拟用户操作将页面跳转至候选网页。其中，基于Web自动化分析工具，可以自动将离线分析模块注入至候选网页程序中。

本实施例中，文档对象模型提供了对整个文档的访问模型，将文档作为一个树形结构，树的每个结点表示了一个HTML标签或标签内的文本项。文档对象模型的树形结构精确地描述了HTML文档中标签间的相互关联性，对HTML文档的处理可以通过对DOM树的操作实现。因此在离线分析模块的引导下，可以获得文档对象模型中节点关联的网页数据。

S330、根据候选网页所属站点，确定网页数据的特征。

在本申请具体实施例中，鉴于站点的多样性，不同的站点或不同类型的站点，基于其内容的表达方式，元素可以具有不同的特点。因此站长或站点的其他工作人员，可以根据所管理站点中各元素的特点，预先编写同一站点或同类站点的特征策略类函数和特征计算类函数，以便根据站点特点进行离线分析。

具体的，基于离线分析模块，根据候选网页所属站点的特征策略，计算网页数据的特征。例如，假设候选网页属于小说站点，则可以计算网页数据的字数增长率特征和字符重复度特征。

S340、根据网页数据的特征，识别网页数据所属的元素。

在本申请具体实施例中，基于候选网页所属站点的特征策略，根据计算得到的网页数据的特征，识别网页数据所属的元素。例如，在小说站点中，字数增长率最大的网页数据属于正文元素，字符重复度最大的网页数据属于章节元素。其中，由于元素之间具有层级关系，因此父元素会包含子元素的网页数据，进而特征策略的编写尤为重要。例如，假设子元素为正文元素，父元素则包含正文内容，若将正文元素的特征策略编写为字数最多为正文元素，则极易将父元素误识别为正文元素。

示例性的，图4为特征分析的示例图。如图4所示，网页中的元素与文档对象模型中的节点对应，按照顺序执行流程，每当跳转至下一个候选网页时，分析候选网页中网页数据所属元素或节点，以此循环遍历各个候选网页。具体的在分析的过程中，流程类函数用于对元素进行操作，获得各未知元素的网页数据，特征策略类函数用于调用特征计算类函数，计算网页数据的特征，并根据特征识别网页数据所属元素，从而通过用户行为类函数跳转至下一个候选网页。

S350、在候选网页所属站点中，确定相同原始结构信息在同类元素中所占的比例。

在本申请具体实施例中，鉴于站点内网页结构的统一，在候选网页所属站点中，可以以元素类型为基准，根据候选网页所属站点中同类元素与原始结构信息之间的映射关系，确定同类元素中每个元素的原始结构信息和总数，将各原始结构信息进行比对，确定相同原始结构信息的数量，将相同原始结构信息的数量与原始结构信息总数的比值，确定为该相同原始结构信息在同类元素中所占的比例。

S360、根据相同原始结构信息在同类元素中所占的比例，选择站点内该类元素的目标结构信息。

在本申请具体实施例中，相同原始结构信息在同类元素中所占的比例，表示了该相同原始结构信息的可靠性。可以理解的是，比例越高则表示结构的可靠性越高。因此，本实施例可以从同类元素的所有原始结构信息中，选择相同原始结构信息在同类元素中所占的比例最大的原始结构信息，作为该类元素的目标结构信息。

示例性的，假设某一小说站点中包括10本书籍，对于书籍中的正文元素，其中8本书籍的正文采用了相同的原始结构信息，即该相同原始结构信息在正文元素中所占的比例最大，即为可靠结构，因此可以确定该相同原始结构为这个小说站点中，正文元素的目标结构信息。

S370、响应用户的网页触发行为，确定用户访问的目标网页。

S380、确定目标网页中元素的原始结构信息和目标结构信息。

S390、若检测到原始结构信息与目标结构信息不一致，则根据目标结构信息，对目标网页中元素的结构进行转化，以向用户展示结构转化后的目标网页。

示例性的，图5为网页结构优化系统的示例图。如图5所示，结构信息数据库中存储有候选网页中元素与原始结构信息之间的映射关系，以及元素类型与目标结构信息之间的映射关系。其中，结构信息数据库中的结构信息是基于Web自动化分析工具，通过调用离线分析模块的分析例程，启动并驱动浏览器跳转至各个候选网页。基于候选网页的文档对象模型，通过读取网页数据、计算网页数据特征以及识别网页数据所属元素，依据特征策略依次执行找到网页数据所在元素，提取元素的原始结构信息，并确定元素的目标结构信息。从而在用户在线访问站点时，基于结构信息数据库对站点进行在线优化。

本实施例的技术方案，通过对于浏览器的驱动，模拟了用户访问的真实场景，提供了与用户实际访问环境一致的分析环境。进而在一致的分析环境中，通过对网页数据特征的计算，无需人工标注自动识别网页数据所属的元素，建立元素与结构信息之前的映射关系，提高网页结构分析的效率和准确性。从而通过对候选网页结构进行自动化离线分析，基于预先确定的网页中元素的目标结构信息，实现了在线的网页结构优化，避免了网页结构优化中的人工参与，降低网页结构优化成本，提高网页结构优化效率和准确率。

第四实施例

图6是根据本申请第四实施例的一种网页结构优化装置的结构示意图，本实施例可适用于在线对站点内的网页结构进行优化的情况，该装置可实现本申请任意实施例所述的网页结构优化方法。该装置600具体包括如下：

访问网页确定模块610，用于响应用户的网页触发行为，确定用户访问的目标网页；

结构信息提取模块620，用于确定所述目标网页中元素的原始结构信息和目标结构信息；其中，所述目标结构信息是通过对候选网页中元素的结构分析得到；

网页结构转化模块630，用于若检测到所述原始结构信息与所述目标结构信息不一致，则根据所述目标结构信息，对所述目标网页中元素的结构进行转化，以向用户展示结构转化后的目标网页。

可选的，所述结构信息提取模块620具体用于：

若检测到所述目标网页为所述候选网页，则根据所述候选网页中元素与原始结构信息之间的映射关系，确定所述目标网页中元素的原始结构信息；

根据元素类型与目标结构信息之间的映射关系，确定所述目标网页中元素的目标结构信息。

进一步的，所述装置600还包括离线分析模块640，具体用于：

识别所述候选网页中网页数据所属的元素，并提取元素的原始结构信息，以得到所述候选网页中元素与原始结构信息之间的映射关系；

根据所述候选网页所属站点中同类元素与原始结构信息之间的映射关系，确定所述站点内该类元素与目标结构信息之间的映射关系。

可选的，所述离线分析模块640具体用于：

驱动浏览器，得到所述候选网页的网页数据；

根据所述网页数据的特征，识别所述网页数据所属的元素。

可选的，所述离线分析模块640具体用于：

驱动浏览器，确定所述候选网页的文档对象模型；

通过所述浏览器调用离线分析模块，确定所述文档对象模型中节点关联的网页数据。

可选的，所述离线分析模块640具体用于：

在所述根据所述网页数据的特征，识别所述网页数据所属的元素之前，根据所述候选网页所属站点，确定所述网页数据的特征。

可选的，所述离线分析模块640具体用于：

在所述候选网页所属站点中，确定相同原始结构信息在同类元素中所占的比例；

根据相同原始结构信息在同类元素中所占的比例，选择所述站点内该类元素的目标结构信息。

本实施例的技术方案，通过各个功能模块之间的相互配合，实现了Web自动化分析工具的应用、浏览器的驱动、候选网页的跳转、网页数据的获取、网页数据特征的计算、网页数据所属元素的识别、原始结构信息的提取、目标结构信息的确定、目标网页的确定、结构信息的提取以及网页结构的优化等功能。本申请实施例通过对候选网页结构进行自动化离线分析，预先确定网页中元素的目标结构信息，实现了在线的网页结构优化，避免了网页结构优化中的人工参与，降低网页结构优化成本，提高网页结构优化效率和准确率。

第五实施例

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图7所示，是根据本申请实施例的网页结构优化方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置，诸如，耦合至接口的显示设备，其上显示图形用户界面(Graphical User Interface，GUI)的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作，例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统。图7中以一个处理器701为例。

存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的网页结构优化方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的网页结构优化方法。

存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的网页结构优化方法对应的程序指令/模块，例如，附图6所示的访问网页确定模块610、结构信息提取模块620、网页结构转化模块630和离线分析模块640。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的网页结构优化方法。

存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据网页结构优化方法的电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至网页结构优化方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

网页结构优化方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。

输入装置703可接收输入的数字或字符信息，以及产生与网页结构优化方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置和触觉反馈装置等，其中，辅助照明装置例如发光二极管(LightEmitting Diode，LED)；触觉反馈装置例如，振动电机等。该显示设备可以包括但不限于，液晶显示器(Liquid Crystal Display，LCD)、LED显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用集成电路(Application Specific Integrated Circuit，ASIC)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序，也称作程序、软件、软件应用、或者代码，包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置，例如，磁盘、光盘、存储器、可编程逻辑装置(Programmable Logic Device，PLD)，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置，例如，阴极射线管(Cathode Ray Tube，CRT)或者LCD监视器；以及键盘和指向装置，例如，鼠标或者轨迹球，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈，例如，视觉反馈、听觉反馈、或者触觉反馈；并且可以用任何形式，包括声输入、语音输入或者、触觉输入，来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统，例如，数据服务器，或者实施在包括中间件部件的计算系统，例如，应用服务器、或者实施在包括前端部件的计算系统，例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互，或者实施在包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信，例如，通信网络，来将系统的部件相互连接。通信网络的示例包括：局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、互联网和区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，通过对候选网页结构进行自动化离线分析，预先确定网页中元素的目标结构信息，实现了在线的网页结构优化，避免了网页结构优化中的人工参与，降低网页结构优化成本，提高网页结构优化效率和准确率。

另外，基于预先确定的候选网页中元素的原始结构信息，以及各类元素的目标结构信息，实现在线实时提取结构信息，提高结构信息的在线提取效率和准确性。

另外，通过对候选网页结构进行自动化离线分析，预先确定候选网页中元素的原始结构信息，以及各类元素的目标结构信息，为在线实时的信息提取提供依据，提高了在线处理效率。

另外，通过对于浏览器的驱动，模拟了用户访问的真实场景，提供了与用户实际访问环境一致的分析环境。进而在一致的分析环境中，通过对网页数据特征的计算，无需人工标注自动识别网页数据所属的元素，提高网页结构分析的效率和准确性。

另外，通过对于浏览器的驱动和离线分析模块的调用，模拟了用户的真实访问操作，遍历得到了网页的文档对象模型中各节点关联的网页数据，供特征计算和元素识别使用。

另外，鉴于站点类型的不同导致网页数据的不同，因此可以预先为不同站点设置不同的元素识别策略，从而根据候选网页所属站点确定网页数据的特征，以识别网页数据所属的元素。

另外，在同一站点内，可以对同类元素的原始结构信息进行投票，从而选择多数采用的原始结构信息作为该类元素的目标结构信息，以便统一该站点内同类元素的数据结构。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (10)

1.一种网页结构优化方法，其特征在于，包括：

响应用户的网页触发行为，确定用户访问的目标网页；

确定所述目标网页中元素的原始结构信息和目标结构信息；其中，所述目标结构信息是通过对候选网页中元素的结构分析得到；

若检测到所述原始结构信息与所述目标结构信息不一致，则根据所述目标结构信息，对所述目标网页中元素的结构进行转化，以向用户展示结构转化后的目标网页。

2.根据权利要求1所述的方法，其特征在于，所述确定所述目标网页中元素的原始结构信息和目标结构信息，包括：

若检测到所述目标网页为所述候选网页，则根据所述候选网页中元素与原始结构信息之间的映射关系，确定所述目标网页中元素的原始结构信息；

根据元素类型与目标结构信息之间的映射关系，确定所述目标网页中元素的目标结构信息。

3.根据权利要求1所述的方法，其特征在于，通过对候选网页中元素的结构分析得到所述目标结构信息，包括：

识别所述候选网页中网页数据所属的元素，并提取元素的原始结构信息，以得到所述候选网页中元素与原始结构信息之间的映射关系；

根据所述候选网页所属站点中同类元素与原始结构信息之间的映射关系，确定所述站点内该类元素与目标结构信息之间的映射关系。

4.根据权利要求3所述的方法，其特征在于，所述识别所述候选网页中网页数据所属的元素，包括：

驱动浏览器，得到所述候选网页的网页数据；

根据所述网页数据的特征，识别所述网页数据所属的元素。

5.根据权利要求4所述的方法，其特征在于，所述驱动浏览器，得到所述候选网页的网页数据，包括：

驱动浏览器，确定所述候选网页的文档对象模型；

通过所述浏览器调用离线分析模块，确定所述文档对象模型中节点关联的网页数据。

6.根据权利要求4所述的方法，其特征在于，在所述根据所述网页数据的特征，识别所述网页数据所属的元素之前，还包括：

根据所述候选网页所属站点，确定所述网页数据的特征。

7.根据权利要求3所述的方法，其特征在于，所述根据所述候选网页所属站点中同类元素与原始结构信息之间的映射关系，确定所述站点内该类元素与目标结构信息之间的映射关系，包括：

在所述候选网页所属站点中，确定相同原始结构信息在同类元素中所占的比例；

根据相同原始结构信息在同类元素中所占的比例，选择所述站点内该类元素的目标结构信息。

8.一种网页结构优化装置，其特征在于，包括：

访问网页确定模块，用于响应用户的网页触发行为，确定用户访问的目标网页；

结构信息提取模块，用于确定所述目标网页中元素的原始结构信息和目标结构信息；其中，所述目标结构信息是通过对候选网页中元素的结构分析得到；

网页结构转化模块，用于若检测到所述原始结构信息与所述目标结构信息不一致，则根据所述目标结构信息，对所述目标网页中元素的结构进行转化，以向用户展示结构转化后的目标网页。

9.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的网页结构优化方法。

10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的网页结构优化方法。

Images