CN113485782A - 页面数据获取方法、装置、电子设备及介质 - Google Patents

Abstract

本公开提供了一种页面数据获取方法、装置、电子设备及介质，涉及数据处理技术领域，尤其涉及页面数据处理。一种页面数据获取方法包括：根据页面的文档对象化模型的结构树，确定结构树中的多个节点；基于结构树的多个节点生成至少两个视觉块对象，至少两个视觉块对象中的每个视觉块对象对应于页面上的相应区域；以及遍历至少两个视觉块对象以获取每个视觉块对象中的数据。

Description

页面数据获取方法、装置、电子设备及介质

技术领域

本公开涉及数据处理技术领域，尤其涉及页面数据处理，具体涉及一种页面数据获取方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

在数据处理领域，经常需要对来自页面的数据进行处理。在这个过程中，往往需要首先从页面获取数据，例如通过对网页内容的遍历来获取数据。因此，需要一种高效准确地从页面中提取数据的方法。

发明内容

本公开提供了一种页面数据获取方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种页面数据获取方法，包括：根据页面的文档对象化模型的结构树，确定所述结构树中的多个节点；基于所述结构树的多个节点生成至少两个视觉块对象，所述至少两个视觉块对象中的每个视觉块对象对应于所述页面上的相应区域；以及遍历所述至少两个视觉块对象以获取每个视觉块对象中的数据。

根据本公开的另一方面，提供了一种页面数据获取装置，包括：节点确定单元，被配置成根据页面的文档对象化模型的结构树，确定所述结构树中的多个节点；视觉块生成单元，被配置成基于所述结构树的多个节点生成至少两个视觉块对象，所述至少两个视觉块对象中的每个视觉块对象对应于所述页面上的相应区域；以及视觉块遍历单元，被配置成遍历所述至少两个视觉块对象以获取每个视觉块对象中的数据。

根据本公开的另一方面，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根据本公开的实施例的页面数据获取方法。

根据本公开的另一方面，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，其中，所述计算机指令用于使所述计算机执行根据本公开的实施例的页面数据获取方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现根据本公开的实施例的页面数据获取方法。

根据本公开的一个或多个实施例，可以更加准确地对页面数据进行遍历。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的页面数据获取方法的流程图；

图3A示出了根据本公开的实施例的方法可以适用于的示例结构树；

图3B示出了根据本公开的实施例的方法可以适用于的示例页面；

图3C示出了根据本公开的实施例的节点与视觉块对象的对应关系；

图3D示出了根据本公开的实施例的对视觉块进行排序的示意图；

图3E示出了根据本公开的实施例的经排序的视觉块对象序列；

图4示出了根据本公开的实施例的页面数据获取装置的结构框图；以及

图5示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行页面数据获取或者页面数据处理等方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来浏览网页、处理网页或者对从页面中读取的数据进行进一步处理、分析、利用等。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如Microsoft Windows、AppleiOS、类UNIX操作系统、Linux或类Linux操作系统(例如Google Chrome OS)；或包括各种移动操作系统，例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

下面结合图2来描述根据本公开的实施例的页面数据获取方法200。

在步骤210处，根据页面的文档对象化模型的结构树，确定结构树中的多个节点。

文档对象化模型的结构树又称为DOM-Tree，其中DOM指代文档对象化模型(Document Object Model)。DOM Tree是指通过DOM将页面诸如HTML页面进行解析后生成的HTML Tree树状结构，属于常见的网页解析格式。例如，图3A示出了一个示例结构树310，其中包括多个节点N0-N17，每个节点与页面上的相应元素或者对象相对应。确定结构树中的多个节点可以是确定组成结构树的全部节点，也可以是确定结构树中的一部分节点，这将在下文中给出详细描述。以图3A的结构树310作为示例，其中N0为根节点，并且其作为父节点，具有子节点N1、N7、N11。节点N1又可以具有子节点N2、N3、N6等。如果子节点N2不再具有子节点，则其可以被称为叶子节点。可以理解的是，此处的结构树310仅为示出DOM Tree的概念以便于理解，其中绘出的树状结构的方向与形态、节点数量、层级数量、广度与深度等仅为示例。

返回参考图2，在步骤220处，基于结构树的多个节点生成至少两个视觉块对象，至少两个视觉块对象中的每个视觉块对象对应于页面上的相应区域。例如，图3B示出了示例页面320，其可以包括多个区域3201-3207，并且每个区域可以对应于一个视觉块对象。可以理解的是，此处的页面320仅为是页面显示的一个示例，其中的页面形状、视觉区域的形状与数量等均为示例。例如，页面可以只包括两个视觉区域3201和3202，或者仅包括区域3203和3206等，区域不必紧密排布或整齐排布、不必彼此相邻，并且也不必是矩形等。

在步骤230处，遍历至少两个视觉块对象以获取每个视觉块对象中的数据。

通过上述方法200，实现了一种基于人类视觉浏览习惯的视觉块遍历方法，在视觉显示区域的粒度上进行遍历。根据本公开的实施例，能够准确高效地获取或遍历页面数据。

获取页面数据适用于需要从网页数据中提取信息以及对网页数据进行处理的各种常见的广泛应用场景，包括但不限于数据挖掘、搜索引擎等等。

一般来说，遍历页面数据是基于对DOM-Tree进行深度顺序或广度顺序的遍历而实现的。例如，参考图3A，节点N2，节点N4，节点N5，节点N6，节点N8，节点N9，节点N10，节点N13，节点N14，节点N15，节点N16，节点N17的顺序。这样的过程以节点为粒度，因此容易发生节点粒度过细或过粗的情况，导致数据分析困难、效果也不理想。

下面描述根据本公开的实施例的一些变型例。

根据一些实施例，基于结构树的多个节点生成至少两个视觉块对象可以包括：通过将多个节点按照在页面中的位置进行聚类，生成至少两个视觉块对象。

根据这样的实施例，限定了如何从结构树的节点生成视觉块：将视觉上重合的节点归类到相同的视觉块，使得满足视觉重合条件的节点被融合为单个视觉块对象，从而能够将节点粒度转化为更合理的视觉块粒度。本领域技术人员将理解，根据本公开的实施例的方法可以使用任何聚类方式。例如，可以通过获取结构树中的多个节点：并且对多个节点中的每个节点，响应于确定该节点与多个节点中的一个或多个其他节点满足视觉重合条件，将该节点与该一个或多个其他节点融合为单个视觉块对象；并且响应于确定该节点与多个节点中的其他节点均不满足视觉重合条件，根据该节点生成单独的视觉块对象。根据不同的粒度或者精确度要求，视觉重合条件可以是位置坐标一致或接近、尺寸坐标相似或者完全重合或覆盖等。作为另一个示例，也可以基于视觉坐标信息，对于同父节点、同纵坐标(高度)的节点进行简单合并。

将在下文中给出如何基于结构树确定多个节点的几个示例，并且可以理解的是，本公开并不限于此，例如，确定结构树的多个节点可以是标识结构树中所有的节点或标识所有的格式正确未损坏的节点等。

根据一些实施例，多个节点是结构树中的叶子节点。也就是说，确定结构树中的多个节点可以包括确定结构树中的叶子节点，而不包括结构树中的父节点。根据这样的实施例，结构树的生成可以主要基于叶子节点中的信息，在此过程中不需要获取父节点中包含的信息。这是因为在某些应用场景下，叶子节点的内容能够反应更精细化的特征，这对于提取信息的准确度可能已经足够了；而对父节点中可能更宏观和概括性的信息的忽略，也会使得遍历更加高效。

根据一些实施例，多个节点是结构树中显示尺寸大于预定阈值的节点。也就是说，确定结构树中的多个节点可以包括标识结构树中的显示尺寸大于预定阈值的节点。根据这样的实施例，结构树的生成可以基于节点的尺寸条件，而无论节点是叶子节点和父节点。也就是说，考虑所有满足视觉尺寸条件的节点，但是忽略尺寸过小的节点。预定阈值可以是显示在页面上的面积阈值、长度阈值、宽度阈值或其组合等。由此，能够避免无关信息或者重要性很低信息的干扰，使得信息的提取更有针对性并且更准确，也能够减少将要遍历的数据量，使得数据处理过程相对高效。

根据一些实施例，获取结构树中满足预定条件的多个节点可以包括：对于结构树中的每个叶子节点：响应于确定该叶子节点的显示尺寸大于预定阈值，标识该叶子节点以用于生成视觉块对象；并且响应于确定该叶子节点的显示尺寸不大于预定阈值，将该叶子节点在结构树中的父节点标识为用于生成视觉块对象的节点，并且放弃标识该叶子节点。

在这样的实施例中，结构树的生成仍然是主要基于叶子节点中的信息。但是，在获取叶子节点之后增加了对叶子节点的筛选，也即对于视觉尺寸过小的叶子节点，回溯其父节点。由此，使得获取的信息更加忠实于视觉显示粒度，也因此与人眼看到的(和网页想要反映的)信息更加一致，数据获取效果好。可以理解的是，这样的过程可以是多次进行的，例如在剔除掉过小的叶子节点，并且将当前父节点作为新的叶子节点之后，发现新的叶子节点仍然不满足视觉条件时，可以进一步对祖先节点进行回溯。

虽然上文中列出了一些按照某些条件从结构树中确定节点以构建视觉块对象的示例实施例，但可以理解的是，本公开的方案并不限于上文中列出的示例实施例。例如，可以对全部节点不加筛选地进行结构树信息的获取，或者可以以其他的条件对节点进行确定并且由此生成视觉块对象。如何确定节点可以是根据具体应用场景来设定的，并且无论采用怎样的节点选取条件(或者不做筛选地使用全部节点)，都可以从根据本公开的视觉块尺度下的数据获取方法中获益。

下面结合图3C更详细地描述根据本公开的一些实施例的节点到视觉块对象的转换过程。继续图3B的页面布局的示例，在图3C的上部，示出了与视觉区域3201-3207分别对应的视觉块对象3301-3307，其中每个视觉块由对应的一个或多个节点(并且具体地，每个节点元素所蕴含的数据)形成。例如，由于确定节点N4和N5所对应的元素在页面上占据或属于相同位置(在这个示例中，视觉区域3204)，可以将节点N4和N5融合形成视觉块3304。又例如，由于确定在选取的节点中(在这个示例中，叶子节点)，没有其他与节点N13归属于或占据同样区域的节点，将节点N13单独形成为视觉块3305。由此，可以利用结构树中的一些(或全部)节点形成视觉块。可以理解的是，虽然结合使用叶子节点来形成视觉块的示例描述图3C，但是本公开不限于此。例如，图3C中的所有节点(包括父节点)可以参与这个过程，并且作为一个示例，这样形成后的视觉块3303可以包括节点N3、N4、N5等。又例如，可以将图3C的下部示出的结构树视为已经对尺寸过小的节点或者叶子节点进行了删除之后的经修剪的结构树，这样的结构树已经满足如前文所述的某些实施例中的节点视觉尺寸等要求。如本领域技术人员将理解，其他的实施方式，包括对前述实施例的各种组合，也是适用的。

根据一些实施例，方法200还可以包括：在遍历至少两个视觉块对象之前，根据与至少两个视觉块对象对应的区域在页面中的排列顺序，对至少两个视觉块对象进行排序。在这样的实施例中，遍历至少两个视觉块对象的步骤(例如步骤230)可以包括依次遍历经排序的至少两个视觉块对象。

根据这样的实施例，能够在保证基于视觉块的合理的数据处理粒度的基础上，还使得遍历顺序基于视觉块在页面中的显示排列顺序，使得提取的数据更连贯、准确。

根据一些实施例，排列顺序可以是从左往右、从上往下的顺序。这样的顺序符合用户阅读习惯，并且因此，通过以这样的顺序对多个视觉块对象进行排序，再对有序的多个视觉块对象进行遍历，得到的结果是更符合用户阅读习惯和网页想要表达或者能够表达的真实内容的。可以理解的是，本公开不限于此，排列顺序可以是基于语言、文化、地区来选择的。例如，在检测到网页主体以阿拉伯语显示时，排列顺序可以采取从右往左的形式。或者，在检测到网页主体以繁体中文显示或者符合竖排文字的显示形式时，排列顺序可以是从上往下并且从右往左的形式。

例如，如图3D所示，按照在页面中从左往右、从上往下的顺序对视觉块进行排序。作为一个示例，可以建立视觉块对象链表，并且通过遍历链表来有序遍历视觉块。如图3E所示，由此形成的有序视觉块对象序列首尾相接构成链表。本领域技术人员将理解，链表是对多个对象进行有序化处理的一个示例，并且本公开不限于此。根据这样的示例，最后的遍历顺序可以是：节点2，节点N6，节点N4和N5，节点N8、N9和N10，节点N13，节点N16和N17，节点N14和N15，可以看出，这样的数据获取模式是非常符合人类真实浏览行为和阅读习惯的。

根据本公开的实施例，提出了基于用户视觉浏览的习惯并且可选地基于用户浏览顺序来对网页数据进行遍历的方法。相对于在节点粒度上对树结构进行全页面遍历所带来的可能的成本高、节点内信息不完整或信息过多过于杂乱等缺陷，根据本公开的实施例获取页面数据更准确，并且由于基于真实的区域块粒度，因而获取的数据更合理。此外，由于与用户浏览行为保持一致，可便于或提前发现潜在质量问题。比如，在网页质量检测的应用场景下，不用完整遍历页面所有节点，通过前面的几个视觉块就能提前发现异常，得到质量判断结论等。

下面结合图4来描述根据本公开的实施例的页面数据获取装置400。装置400可以包括节点确定单元410、视觉块生成单元420和视觉块遍历单元430。节点确定单元410可以被配置成根据页面的文档对象化模型的结构树，确定所述结构树中的多个节点。视觉块生成单元420可以被配置成基于结构树的多个节点生成至少两个视觉块对象，至少两个视觉块对象中的每个视觉块对象对应于页面上的相应区域。视觉块遍历单元430可以被配置成遍历至少两个视觉块对象以获取每个视觉块对象中的数据。通过这样的页面数据获取装置，能够高效并准确地对页面数据进行提取。

根据一些实施例，视觉块生成单元420可以包括被配置成通过将多个节点按照在页面中的位置进行聚类，生成至少两个视觉块对象的单元。

根据一些实施例，多个节点是结构树中的叶子节点。换言之，节点确定单元410可以包括被配置成标识结构树中的叶子节点而不标识结构树中的父节点的单元。根据一些实施例，多个节点是结构树中的显示尺寸大于预定阈值的节点。换言之，节点确定单元410可以包括被配置成标识结构树中的显示尺寸大于预定阈值的节点的单元。根据一些实施例，节点确定单元410可以包括被配置成对于结构树中的每个叶子节点，响应于确定该叶子节点的显示尺寸大于预定阈值，标识该叶子节点以用于生成视觉块对象，并且响应于确定该叶子节点的显示尺寸不大于预定阈值，将该叶子节点在结构树中的父节点标识为用于生成视觉块对象的节点，并且放弃标识该叶子节点的单元。

根据一些实施例，装置400还可以包括被配置成在遍历至少两个视觉块对象之前，根据与至少两个视觉块对象对应的区域在页面中的排列顺序，对至少两个视觉块对象进行排序的单元。在这样的实施例中，视觉块遍历单元430还被配置成依次遍历经排序的至少两个视觉块对象。

根据一些实施例，排列顺序可以是从左往右、从上往下的顺序。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

参考图5，现将描述可以作为本公开的服务器或客户端的电子设备500的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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/或者要求的本公开的实现。

如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

设备500中的多个部件连接至I/O接口505，包括：输入单元506、输出单元507、存储单元508以及通信单元509。输入单元506可以是能向设备500输入信息的任何类型的设备，输入单元506可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元507可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元508可以包括但不限于磁盘、光盘。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM503并由计算单元501执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。

本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

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，CRT(阴极射线管)或者LCD(液晶显示器)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，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者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(LAN)、广域网(WAN)和互联网。

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。

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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (17)

1.一种页面数据获取方法，包括：

根据页面的文档对象化模型的结构树，确定所述结构树中的多个节点；

基于所述结构树的所述多个节点生成至少两个视觉块对象，所述至少两个视觉块对象中的每个视觉块对象对应于所述页面上的相应区域；以及

遍历所述至少两个视觉块对象以获取每个视觉块对象中的数据。

2.根据权利要求1所述的方法，其中，基于所述结构树的所述多个节点生成至少两个视觉块对象包括：通过将所述多个节点按照在所述页面中的位置进行聚类，生成所述至少两个视觉块对象。

3.根据权利要求1或2所述的方法，其中，所述多个节点是所述结构树中的叶子节点。

4.根据权利要求1或2所述的方法，其中，所述多个节点是所述结构树中显示尺寸大于预定阈值的节点。

5.根据权利要求1或2所述的方法，其中，确定所述结构树中的多个节点包括：

对于所述结构树中的每个叶子节点：

响应于确定该叶子节点的显示尺寸大于预定阈值，标识该叶子节点以用于生成视觉块对象；并且

响应于确定该叶子节点的显示尺寸不大于预定阈值，标识该叶子节点在所述结构树中的父节点以用于生成视觉块对象，并且放弃标识该叶子节点。

6.根据权利要求1-5中任一项所述的方法，

其中，所述方法还包括：在遍历所述至少两个视觉块对象之前，根据与所述至少两个视觉块对象对应的区域在所述页面中的排列顺序，对所述至少两个视觉块对象进行排序；并且

其中，遍历所述至少两个视觉块对象包括依次遍历经排序的所述至少两个视觉块对象。

7.根据权利要求6所述的方法，其中，所述排列顺序是从左往右、从上往下的顺序。

8.一种页面数据获取装置，包括：

节点确定单元，被配置成根据页面的文档对象化模型的结构树，确定所述结构树中的多个节点；

视觉块生成单元，被配置成基于所述结构树的所述多个节点生成至少两个视觉块对象，所述至少两个视觉块对象中的每个视觉块对象对应于所述页面上的相应区域；以及

视觉块遍历单元，被配置成遍历所述至少两个视觉块对象以获取每个视觉块对象中的数据。

9.根据权利要求8所述的装置，其中，所述视觉块生成单元包括被配置成通过将所述多个节点按照在所述页面中的位置进行聚类，生成所述至少两个视觉块对象的单元。

10.根据权利要求9所述的装置，其中，所述多个节点是所述结构树中的叶子节点。

11.根据权利要求9所述的装置，其中，所述多个节点是所述结构树中显示尺寸大于预定阈值的节点。

12.根据权利要求9所述的装置，其中，所述节点确定单元包括被配置成对于所述结构树中的每个叶子节点，响应于确定该叶子节点的显示尺寸大于预定阈值，标识该叶子节点以用于生成视觉块对象，并且响应于确定该叶子节点的显示尺寸不大于预定阈值，标识该叶子节点在所述结构树中的父节点以用于生成视觉块对象，并且放弃标识该叶子节点的单元。

13.根据权利要求8-12中任一项所述的装置，其中，所述装置还包括被配置成在遍历所述至少两个视觉块对象之前，根据与所述至少两个视觉块对象对应的区域在所述页面中的排列顺序，对所述至少两个视觉块对象进行排序的单元；并且

其中，所述视觉块遍历单元还被配置成依次遍历经排序的所述至少两个视觉块对象。

14.根据权利要求13所述的装置，其中，所述排列顺序是从左往右、从上往下的顺序。

15.一种电子设备，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权利要求1-7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-7中任一项所述的方法。

Images