CN111259628A - 网页信息提取方法和装置、电子设备和存储介质 - Google Patents
网页信息提取方法和装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111259628A CN111259628A CN202010098146.XA CN202010098146A CN111259628A CN 111259628 A CN111259628 A CN 111259628A CN 202010098146 A CN202010098146 A CN 202010098146A CN 111259628 A CN111259628 A CN 111259628A
- Authority
- CN
- China
- Prior art keywords
- target webpage
- characters
- numbers
- character
- font file
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Information Transfer Between Computers (AREA)
Abstract
本公开的实施例公开了一种网页信息提取方法和装置、电子设备和存储介质。其中,方法包括:基于目标网页的字体,获取目标网页的字体文件;基于目标网页的字体文件,确定目标网页的字体文件中的至少一个编码字符;基于目标网页的字体文件中的至少一个编码字符,获得目标网页中的文字和/或数字;若目标网页中存在无法识别的文字和/或数字,则对目标网页中无法识别的文字和/或数字进行校正,获得可识别的文字和/或数字。本公开实施例通过对网页中无法识别的文字和/或数字进行校正,使用户可以获得准确完整的网页信息,保证了提取到的网页信息的可用性。
Description
技术领域
本公开涉及信息处理技术,尤其是一种网页信息提取方法和装置、电子设备和存储介质。
背景技术
随着科技的发展,网络已经成为现代社会最大的信息来源,用户通常使用浏览器直接查看网页信息,并对网页信息中的相关内容进行提取。
在实现本公开的过程中,发明人发现:在提取一些网站的网页信息时,网页中的文字和数字经常被识别为类似乱码的异常文字和字符,如“諍圍嘄覺”,使得用户无法获得准确的网页信息。
发明内容
为了解决上述技术问题,提出了本公开。本公开的实施例提供了一种网页信息提取方法和装置、电子设备和存储介质。
根据本公开实施例的一个方面,提供了一种网页信息提取方法,包括:
基于目标网页的字体,获取目标网页的字体文件;
基于所述目标网页的字体文件,确定所述目标网页的字体文件中的至少一个编码字符;其中,一个编码字符对应一个文字或一个数字;
基于所述目标网页的字体文件中的至少一个编码字符,获得各编码字符对应的所述目标网页中的文字和/或数字;
若所述目标网页中存在无法识别的文字和/或数字,则对所述目标网页中无法识别的文字和/或数字进行校正,获得可识别的文字和/或数字。
可选地,在本公开上述各方法实施例中,所述基于所述目标网页的字体文件,确定所述目标网页的字体文件中的至少一个编码字符,包括:对所述目标网页的字体文件进行解码,确定所述目标网页的字体文件中的至少一个编码字符。
可选地,在本公开上述各方法实施例中,所述基于所述目标网页的字体文件中的至少一个编码字符,获得各编码字符对应的所述目标网页中的文字和/或数字,包括;
基于所述目标网页的字体文件中的至少一个编码字符,确定每个编码字符的至少一个显示坐标;
基于所述每个编码字符的至少一个显示坐标,确定所述每个编码字符对应的文字或数字;
基于所述每个编码字符对应的文字或数字,获得所述目标网页中的文字和/或数字。
可选地,在本公开上述各方法实施例中,所述若所述目标网页中存在无法识别的文字和/或数字,对所述目标网页中无法识别的文字和/或数字进行校正,获得可识别的文字和/或数字包括:利用所述目标网页的异常字符映射信息,对所述目标网页中无法识别的文字和/或数字进行校正,获得可识别的文字和/或数字。
可选地,在本公开上述各方法实施例中,所述异常字符映射信息包括:预先建立的无法识别的文字和数字对应的编码字符与可识别的文字和数字对应的编码字符之间的映射关系。
可选地,在本公开上述各方法实施例中,还包括:
对所述目标网页中的文字和/或数字的正确率进行周期性检测;
若所述目标网页中的文字和/或数字的正确率低于匹配阈值,重新建立所述异常字符映射信息。
可选地,在本公开上述各方法实施例中,还包括:
对所述目标文件的字体进行监测;
若监测到所述目标网页的字体发生变化,则变更所述目标网页的字体文件,替换所述目标网页的字体文件中的至少一个编码字符。
根据本公开实施例的另一个方面,提供了一种网页信息提取装置,包括:
获取模块,用于基于目标网页的字体,获取目标网页的字体文件;
确定模块,用于基于所述目标网页的字体文件,确定所述目标网页的字体文件中的至少一个编码字符;其中,一个编码字符对应一个文字或一个数字;
第一获得模块,用于基于所述目标网页的字体文件中的至少一个编码字符,获得各编码字符对应的所述目标网页中的文字和/或数字;
第二获得模块,用于若所述目标网页中存在无法识别的文字和/或数字,则对所述目标网页中无法识别的文字和/或数字进行校正,获得可识别的文字和/或数字。
可选地,在本公开上述各装置实施例中,所述确定模块具体用于:对所述目标网页的字体文件进行解码,确定所述目标网页的字体文件中的至少一个编码字符。
可选地,在本公开上述各装置实施例中,所述第一获得模块包括:
第一确定单元,用于基于所述目标网页的字体文件中的至少一个编码字符,确定每个编码字符的至少一个显示坐标;
第二确定单元,用于基于所述每个编码字符的至少一个显示坐标,确定所述每个编码字符对应的文字或数字;
获得单元,用于基于所述每个编码字符对应的文字或数字,获得所述目标网页中的文字和/或数字。
可选地,在本公开上述各装置实施例中,所述第二获得模块具体用于:利用所述目标网页的异常字符映射信息,对所述目标网页中无法识别的文字和/或数字进行校正,获得可识别的文字和/或数字。
可选地,在本公开上述各装置实施例中,所述异常字符映射信息包括:预先建立的无法识别的文字和数字对应的编码字符与可识别的文字和数字对应的编码字符之间的映射关系。
可选地,在本公开上述各装置实施例中,还包括:
检测模块,用于对所述目标网页中的文字和/或数字的正确率进行周期性检测;
建立模块,用于若所述目标网页中的文字和/或数字的正确率低于匹配阈值,重新建立所述异常字符映射信息。
可选地,在本公开上述各装置实施例中,还包括:
监测模块,用于对所述目标网页的字体进行监测;
替换模块,用于若监测到所述目标网页的字体发生变化,则变更所述目标网页的字体文件,替换所述目标网页的字体文件中的至少一个编码字符。
根据本公开实施例的又一个方面,提供了一种计算机可读存储介质,该存储介质存储有计算机程序,所述计算机程序用于执行本公开上述任一实施例所述的网页信息提取方法。
根据本公开实施例的又一个方面,提供了一种电子设备,该电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述任一实施例所述的网页信息提取方法。
基于本公开上述实施例提供的网页信息提取方法,基于目标网页的字体,获取目标网页的字体文件;基于目标网页的字体文件,确定目标网页的字体文件中的至少一个编码字符;基于目标网页的字体文件中的至少一个编码字符,获得各编码字符对应的目标网页中的文字和/或数字;若目标网页中存在无法识别的文字和/或数字,则对目标网页中无法识别的文字和/或数字进行校正,获得可识别的文字和/或数字。由此,本公开实施例通过对网页中无法识别的文字和/或数字进行校正,使用户可以获得准确完整的网页信息,保证了提取到的网页信息的可用性。
下面通过附图和实施例,对本公开的技术方案做进一步的详细描述。
附图说明
通过结合附图对本公开实施例进行更详细的描述,本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解,并且构成说明书的一部分,与本公开实施例一起用于解释本公开,并不构成对本公开的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1是本公开一示例性实施例提供的网页信息提取方法的流程示意图。
图2是本公开另一示例性实施例提供的网页信息提取方法的流程示意图。
图3是本公开一示例性实施例提供的网页信息提取装置的结构示意图。
图4是本公开一示例性实施例提供的电子设备的结构图。
具体实施方式
下面,将参考附图详细地描述根据本公开的示例实施例。显然,所描述的实施例仅仅是本公开的一部分实施例,而不是本公开的全部实施例,应理解,本公开不受这里描述的示例实施例的限制。
应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解,本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等,既不代表任何特定技术含义,也不表示它们之间的必然逻辑顺序。
还应理解,在本公开实施例中,“多个”可以指两个或两个以上,“至少一个”可以指一个、两个或两个以上。
还应理解,对于本公开实施例中提及的任一部件、数据或结构,在没有明确限定或者在前后文给出相反启示的情况下,一般可以理解为一个或多个。
另外,本公开中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本公开中字符“/”,一般表示前后关联对象是一种“或”的关系。
还应理解,本公开对各个实施例的描述着重强调各个实施例之间的不同之处,其相同或相似之处可以相互参考,为了简洁,不再一一赘述。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备,其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境,等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
图1是本公开一示例性实施例提供的网页信息提取方法流程图。本实施例可应用在电子设备上,如图1所示,该网页信息提取方法包括如下步骤:
S102,基于目标网页的字体,获取目标网页的字体文件。
其中,目标网页的字体用于表示当前网页中显示的自定义字体,例如:“花体”、“苹果方体”、“微软雅黑”等。目标网页的字体文件用于表示目标网页中每个文字或数字的格式,例如WOFF字体文件(网页开放字体格式)。
S104,基于目标网页的字体文件,确定目标网页的字体文件中的至少一个编码字符。
本公开实施例中的一个编码字符对应一个文字或一个数字。
其中,每种字体文件中的每个文字都对应了唯一的编码字符(name),浏览器可以通过编码字符渲染出网页中对应的文字,例如:“农”字对应的编码字符为uni5138。
S106,基于目标网页的字体文件中的至少一个编码字符,获得各编码字符对应的目标网页中的文字和/或数字。
在一个具体的例子中,某目标网页的新闻标题是“2020年农行政策”,该目标网页的字体文件中的编码字符分别为:uni1112、uni1110、uni1112、uni1110、uni4189、uni5138、uni555A、uni52C1、uni53D1,利用目标网页的字体文件中的编码字符可以获得目标网页中新闻标题的文字和数字“2020年农行政策”。
S108,若目标网页中存在无法识别的文字和/或数字,则对目标网页中无法识别的文字和/或数字进行校正,获得可识别的文字和/或数字。
其中,无法识别的文字用于表示非简体汉字,无法识别的数字用于表示非阿拉伯数字。
例如,某目标网页的内容有“利率未上涨”,该网页内容的字体文件中的编码字符分别为:uni3312、uni215F、0x50b1、uni21A0、uni7185,利用目标网页的字体文件中的编码字符可以获得目标网页的内容中的文字“利率ア上涨”,由于无法识别“利率ア上涨”,因此需要对“利率ア上涨”进行校正,获得可识别的“利率未上涨”。
基于本公开上述实施例提供的网页信息提取方法,基于目标网页的字体,获取目标网页的字体文件;基于目标网页的字体文件,确定目标网页的字体文件中的至少一个编码字符;基于目标网页的字体文件中的至少一个编码字符,获得各编码字符对应的目标网页中的文字和/或数字;若目标网页中存在无法识别的文字和/或数字,则对目标网页中无法识别的文字和/或数字进行校正,获得可识别的文字和/或数字。由此,本公开实施例通过对网页中无法识别的文字和/或数字进行校正,使用户可以获得准确完整的网页信息,保证了提取到的网页信息的可用性。
在一些可选的实施方式中,步骤S104可以包括:对目标网页的字体文件进行解码,确定目标网页的字体文件中的至少一个编码字符。例如,通过fonttools(python工具)将压缩的woff字体文件转成可读的ttx字体文件。
如图2所示,在上述图1所示实施例的基础上,其中一些可选的实施方式中,步骤S106具体可以包括:
S201,基于目标网页的字体文件中的至少一个编码字符,确定每个编码字符的至少一个显示坐标。
例如:“农”字的编码字符uni5138,可以确定如下所示的显示坐标:
<name=“uni5138”xMin=“7”yMin=“-78”xMax=“1007”yMax=“898”>
<x=“7”y=“195”>
<x=“298”y=“391”>
<x=“430”y=“691”>
<x=“152”y=“691”>
<x=“152”y=“546”>
S202,基于每个编码字符的至少一个显示坐标,确定每个编码字符对应的文字或数字。
例如,可以通过fonteditor工具基于每个编码字符的至少一个显示坐标,建立编码字符(name)与文字或数字的映射关系。
S203,基于每个编码字符对应的文字或数字,获得目标网页中的文字和/或数字。
本公开实施例利用每个编码字符的至少一个显示坐标,可以高效快捷的对网页信息进行处理,有效缩短了信息的提取时间。
在一些可选的实施方式中,步骤S108可以包括:利用目标网页的异常字符映射信息,对目标网页中无法识别的文字和/或数字进行校正,获得可识别的文字和/或数字。
其中,异常字符映射信息可以包括:预先建立的无法识别的文字和数字对应的编码字符与可识别的文字和数字对应的编码字符之间的映射关系。
在一个具体的例子中,对于目标网页中的内容“利率未上涨”的编码字符uni3312、uni215F、0x50b1、uni21A0、uni7185,基于针对目标网页预先建立的异常字符映射表中0x50b1和uni5A49之间的映射关系,可以确定特殊字符“ア”的编码字符对应的是“未”字的编码字符,由此,可以获得可识别的网页信息“利率未上涨”。
本公开实施例针对不同网页建立可识别信息与不可识别信息之间的映射关系,有效解决了可能出现的网页信息不完整的情况。
在一些可选的实施方式中,还可以包括以下步骤:对目标网页中的文字和/或数字的正确率进行周期性检测;若目标网页中的文字和/或数字的正确率低于匹配阈值,重新建立异常字符映射信息。
其中,匹配阈值用于表示预先设定的目标网页中的文字和/或数字的最低正确率,例如,设定检测周期为每2天检测一次获取的目标网页中的文字和/或数字的正确率,当目标网页中的文字和/或数字的正确率低于匹配阈值95%时,重新建立异常字符映射表。
本公开实施例通过对目标网页中的文字和/或数字的正确率进行周期性检测,保证了获取到的目标网页信息的准确率。
在一些可选的实施方式中,还可以包括:对目标网页的字体进行监测;若监测到目标网页的字体发生变化,则变更目标网页的字体文件,替换目标网页的字体文件中的至少一个编码字符。
例如,若监测到目标网页的字体发生变化,由WOFF变为TTF(TrueTypeFont),则变更原目标网页WOFF的字体文件为TTF字体文件,替换原目标网页的字体文件中的编码字符。
本公开实施例对目标网页中的字体进行检测,解决了目标网页信息字体更新产生的无法识别的问题,提高了目标网页信息提取过程的稳定性。
图3是本公开一示例性实施例提供的网页信息提取装置的结构示意图。该测试装置可以设置于终端设备、服务器等电子设备中,执行本公开上述任一实施例的网页信息提取方法。如图3所示,该网页信息提取装置包括:
获取模块31,用于基于目标网页的字体,获取目标网页的字体文件;
确定模块32,用于基于所述目标网页的字体文件,确定所述目标网页的字体文件中的至少一个编码字符;其中,一个编码字符对应一个文字或一个数字;
第一获得模块33,用于基于所述目标网页的字体文件中的至少一个编码字符,获得各编码字符对应的所述目标网页中的文字和/或数字;
第二获得模块34,用于若所述目标网页中存在无法识别的文字和/或数字,则对所述目标网页中无法识别的文字和/或数字进行校正,获得可识别的文字和/或数字。
基于本公开上述实施例提供的网页信息提取装置,基于目标网页的字体,获取目标网页的字体文件;基于目标网页的字体文件,确定目标网页的字体文件中的至少一个编码字符;基于目标网页的字体文件中的至少一个编码字符,获得各编码字符对应的目标网页中的文字和/或数字;若目标网页中存在无法识别的文字和/或数字,则对目标网页中无法识别的文字和/或数字进行校正,获得可识别的文字和/或数字。由此,本公开实施例通过对网页中无法识别的文字和/或数字进行校正,使用户可以获得准确完整的网页信息,保证了提取到的网页信息的可用性。
在其中一些实施方式中,所述确定模块32具体用于:对所述目标网页的字体文件进行解码,确定所述目标网页的字体文件中的至少一个编码字符。
在其中一些实施方式中,所述第一获得模块33包括:
第一确定单元,用于基于所述目标网页的字体文件中的至少一个编码字符,确定每个编码字符的至少一个显示坐标;
第二确定单元,用于基于所述每个编码字符的至少一个显示坐标,确定所述每个编码字符对应的文字或数字;
获得单元,用于基于所述每个编码字符对应的文字或数字,获得所述目标网页中的文字和/或数字。
在其中一些实施方式中,所述第二获得模块34具体用于:利用所述目标网页的异常字符映射信息,对所述目标网页中无法识别的文字和/或数字进行校正,获得可识别的文字和/或数字。
在其中一些实施方式中,所述异常字符映射信息包括:预先建立的无法识别的文字和数字对应的编码字符与可识别的文字和数字对应的编码字符之间的映射关系。
在其中一些实施方式中,还包括:
检测模块,用于对所述目标网页中的文字和/或数字的正确率进行周期性检测;
建立模块,用于若所述目标网页中的文字和/或数字的正确率低于匹配阈值,重新建立所述异常字符映射信息。
在其中一些实施方式中,还包括:
监测模块,用于对所述目标网页的字体进行监测;
替换模块,用于若监测到所述目标网页的字体发生变化,则变更所述目标网页的字体文件,替换所述目标网页的字体文件中的至少一个编码字符。
另外,本公开实施例还提供了一种电子设备,该电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现本公开上述任一实施例所述的网页信息提取方法。
下面,参考图4来描述根据本公开实施例的电子设备。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备,该单机设备可以与第一设备和第二设备进行通信,以从它们接收所采集到的输入信号。图4图示了根据本公开实施例的电子设备的框图。如图4所示,电子设备包括一个或多个处理器41和存储器42。
处理器41可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备中的其他组件以执行期望的功能。
存储器42可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器41可以运行所述程序指令,以实现上文所述的本公开的各个实施例的软件程序的网页信息提取方法以及/或者其他期望的功能。在一个示例中,电子设备还可以包括:输入装置43和输出装置44,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
此外,该输入设备43还可以包括例如键盘、鼠标等等。
该输出装置44可以向外部输出各种信息。该输出设备44可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图4中仅示出了该电子设备中与本公开有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备还可以包括任何其他适当的组件。
除了上述方法和设备以外,本公开的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述各种实施例的软件程序的网页信息提取方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本公开的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述各种实施例的软件程序的网页信息提取方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
以上结合具体实施例描述了本公开的基本原理,但是,需要指出的是,在本公开中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本公开为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明,本公开的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本公开实施为记录在记录介质中的程序,这些程序包括用于实现根据本公开的方法的机器可读指令。因而,本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是,在本公开的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此,本公开不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (14)
1.一种网页信息提取方法,其特征在于,包括:
基于目标网页的字体,获取目标网页的字体文件;
基于所述目标网页的字体文件,确定所述目标网页的字体文件中的至少一个编码字符;其中,一个编码字符对应一个文字或一个数字;
基于所述目标网页的字体文件中的至少一个编码字符,获得各编码字符对应的所述目标网页中的文字和/或数字;
若所述目标网页中存在无法识别的文字和/或数字,则对所述目标网页中无法识别的文字和/或数字进行校正,获得可识别的文字和/或数字。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标网页的字体文件,确定所述目标网页的字体文件中的至少一个编码字符,包括:对所述目标网页的字体文件进行解码,确定所述目标网页的字体文件中的至少一个编码字符。
3.根据权利要求1所述的方法,其特征在于,所述基于所述目标网页的字体文件中的至少一个编码字符,获得各编码字符对应的所述目标网页中的文字和/或数字,包括;
基于所述目标网页的字体文件中的至少一个编码字符,确定每个编码字符的至少一个显示坐标;
基于所述每个编码字符的至少一个显示坐标,确定所述每个编码字符对应的文字或数字;
基于所述每个编码字符对应的文字或数字,获得所述目标网页中的文字和/或数字。
4.根据权利要求1-3任一所述的方法,其特征在于,所述若所述目标网页中存在无法识别的文字和/或数字,对所述目标网页中无法识别的文字和/或数字进行校正,获得可识别的文字和/或数字包括:利用所述目标网页的异常字符映射信息,对所述目标网页中无法识别的文字和/或数字进行校正,获得可识别的文字和/或数字。
5.根据权利要求4所述的方法,其特征在于,所述异常字符映射信息包括:预先建立的无法识别的文字和数字对应的编码字符与可识别的文字和数字对应的编码字符之间的映射关系。
6.根据权利要求1-5任一所述的方法,其特征在于,还包括:
对所述目标网页中的文字和/或数字的正确率进行周期性检测;
若所述目标网页中的文字和/或数字的正确率低于匹配阈值,重新建立所述异常字符映射信息。
7.根据权利要求1-6任一所述的方法,其特征在于,还包括:
对所述目标网页的字体进行监测;
若监测到所述目标网页的字体发生变化,则变更所述目标网页的字体文件,替换所述目标网页的字体文件中的至少一个编码字符。
8.一种网页信息提取装置,其特征在于,包括:
获取模块,用于基于目标网页的字体,获取目标网页的字体文件;
确定模块,用于基于所述目标网页的字体文件,确定所述目标网页的字体文件中的至少一个编码字符;其中,一个编码字符对应一个文字或一个数字;
第一获得模块,用于基于所述目标网页的字体文件中的至少一个编码字符,获得各编码字符对应的所述目标网页中的文字和/或数字;
第二获得模块,用于若所述目标网页中存在无法识别的文字和/或数字,则对所述目标网页中无法识别的文字和/或数字进行校正,获得可识别的文字和/或数字。
9.根据权利要求8述的装置,其特征在于,所述第一获得模块包括:
第一确定单元,用于基于所述目标网页的字体文件中的至少一个编码字符,确定每个编码字符的至少一个显示坐标;
第二确定单元,用于基于所述每个编码字符的至少一个显示坐标,确定所述每个编码字符对应的文字或数字;
获得单元,用于基于所述每个编码字符对应的文字或数字,获得所述目标网页中的文字和/或数字。
10.根据权利要求8或9所述的装置,其特征在于,所述第二获得模块具体用于:利用所述目标网页的异常字符映射信息,对所述目标网页中无法识别的文字和/或数字进行校正,获得可识别的文字和/或数字。
11.根据权利要求8-10任一所述的装置,其特征在于,还包括:
检测模块,用于对所述目标网页中的文字和/或数字的正确率进行周期性检测;
建立模块,用于若所述目标网页中的文字和/或数字的正确率低于匹配阈值,重新建立所述异常字符映射信息。
12.根据权利要求8-11任一所述装置,其特征在于,还包括:
监测模块,用于对所述目标网页的字体进行监测;
替换模块,用于若监测到所述目标网页的字体发生变化,则变更所述目标网页的字体文件,替换所述目标网页的字体文件中的至少一个编码字符。
13.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-7任一所述的网页信息提取方法。
14.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-7任一所述的网页信息提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010098146.XA CN111259628B (zh) | 2020-02-18 | 2020-02-18 | 网页信息提取方法和装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010098146.XA CN111259628B (zh) | 2020-02-18 | 2020-02-18 | 网页信息提取方法和装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111259628A true CN111259628A (zh) | 2020-06-09 |
CN111259628B CN111259628B (zh) | 2021-09-28 |
Family
ID=70949260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010098146.XA Active CN111259628B (zh) | 2020-02-18 | 2020-02-18 | 网页信息提取方法和装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111259628B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753494A (zh) * | 2020-07-06 | 2020-10-09 | 浪潮卓数大数据产业发展有限公司 | 基于selenium的woff字体解密方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102262619A (zh) * | 2010-05-31 | 2011-11-30 | 汉王科技股份有限公司 | 文档的文字提取方法和装置 |
CN104750663A (zh) * | 2013-12-27 | 2015-07-01 | 阿里巴巴集团控股有限公司 | 页面中文本乱码的识别方法及装置 |
US20150278390A1 (en) * | 2012-12-13 | 2015-10-01 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for processing a webpage |
US9465789B1 (en) * | 2013-03-27 | 2016-10-11 | Google Inc. | Apparatus and method for detecting spam |
CN110196968A (zh) * | 2019-06-06 | 2019-09-03 | 北京林业大学 | 一种基于特定字符串查找的简体中文编码方式自动识别系统及方法 |
CN110620657A (zh) * | 2019-08-23 | 2019-12-27 | 上海科技发展有限公司 | 网页文字处理方法、系统及装置 |
-
2020
- 2020-02-18 CN CN202010098146.XA patent/CN111259628B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102262619A (zh) * | 2010-05-31 | 2011-11-30 | 汉王科技股份有限公司 | 文档的文字提取方法和装置 |
US20150278390A1 (en) * | 2012-12-13 | 2015-10-01 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for processing a webpage |
US9465789B1 (en) * | 2013-03-27 | 2016-10-11 | Google Inc. | Apparatus and method for detecting spam |
CN104750663A (zh) * | 2013-12-27 | 2015-07-01 | 阿里巴巴集团控股有限公司 | 页面中文本乱码的识别方法及装置 |
CN110196968A (zh) * | 2019-06-06 | 2019-09-03 | 北京林业大学 | 一种基于特定字符串查找的简体中文编码方式自动识别系统及方法 |
CN110620657A (zh) * | 2019-08-23 | 2019-12-27 | 上海科技发展有限公司 | 网页文字处理方法、系统及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753494A (zh) * | 2020-07-06 | 2020-10-09 | 浪潮卓数大数据产业发展有限公司 | 基于selenium的woff字体解密方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111259628B (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104750663B (zh) | 页面中文本乱码的识别方法及装置 | |
CN104079559A (zh) | 一种网址安全性检测方法、装置及服务器 | |
CN111259628B (zh) | 网页信息提取方法和装置、电子设备和存储介质 | |
CN112580637A (zh) | 文本信息识别方法、提取方法、装置及系统 | |
CN112198998A (zh) | 文本输入控制方法、相关装置、设备及介质 | |
CN110377885B (zh) | 转换pdf文件的方法、装置、设备和计算机存储介质 | |
CN111881183A (zh) | 企业名称匹配方法和装置、以及存储介质和电子设备 | |
CA3109294A1 (en) | System and method against unicode homograph attacks using optical character recognition | |
CN111160958B (zh) | 广告展示方法和系统、移动终端、后台服务器、介质、设备 | |
CN114090135B (zh) | 具有纠错功能且支持跨平台调用组件的方法和装置 | |
CN114900492B (zh) | 异常邮件检测方法、装置、系统与计算机可读存储介质 | |
CN112052647A (zh) | 一种文档编辑方法、装置、电子设备和可读存储介质 | |
CN116015777A (zh) | 一种文档检测方法、装置、设备及存储介质 | |
CN114239493A (zh) | 一种数据拦截方法及装置 | |
CN113886748A (zh) | 网页内容的编辑信息生成、信息输出方法、装置及设备 | |
CN114189709A (zh) | 一种审核视频的方法、装置及存储介质和电子设备 | |
CN111985235A (zh) | 文本处理方法、装置、计算机可读存储介质和电子设备 | |
US20130311489A1 (en) | Systems and Methods for Extracting Names From Documents | |
CN106933856B (zh) | 网页更新请求的生成方法和装置 | |
CN114743012B (zh) | 一种文本识别方法及装置 | |
CN112487759A (zh) | 一种文档页码设置方法、装置、电子设备及存储介质 | |
CN117892724B (zh) | 一种文本检测方法、装置、设备及存储介质 | |
CN113722642B (zh) | 网页页面的转换方法、装置、电子设备以及存储介质 | |
US10204083B2 (en) | Computer systems and methods using multiple neutral type characters as delimiters between segments in structured, multi-segment data values | |
CN115941346A (zh) | 基于idn域名的钓鱼攻击检测方法及装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |