新闻链接的提取方法及装置、存储介质及电子设备与流程

所属的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。图11示出本公开实施例中一种新闻链接的提取计算机设备的结构框图。需要说明的是，图示出的电子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。下面参照图11来描述根据本发明的这种实施方式的电子设备1100。图11显示的电子设备1100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11所示，电子设备1100以通用计算设备的形式表现。电子设备1100的组件可以包括但不限于：上述至少一个处理单元1110、上述至少一个存储单元1120、连接不同系统组件(包括存储单元1120和处理单元1110)的总线1130。其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1110执行，使得所述处理单元1110执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元1110可以执行如图2中所示的方法。存储单元1120可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)11201和/或高速缓存存储单元11202，还可以进一步包括只读存储单元(rom)11203。存储单元1120还可以包括具有一组(至少一个)程序模块11205的程序/实用工具11204，这样的程序模块11205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。总线1130可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。电子设备1100也可以与一个或多个外部设备1200(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1100交互的设备通信，和/或与使得该电子设备1100能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口1150进行。并且，电子设备1100还可以通过网络适配器1160与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器1160通过总线1130与电子设备1100的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1100使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。根据本发明实施方式的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。所述程序产品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为但不限于电、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。计算机可读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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。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、有线、光缆、rf等等，或者上述的任意合适的组合。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发明操作的程序代码，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。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。根据本公开的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例的各种可选实现方式中提供的方法。本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

背景技术：

1、随着计算机技术与互联网技术的发展，通过新闻网站浏览信息已成为一种获取新闻的重要途径。

2、相关技术中，可以通过分析网页结构结合人工标注的方式来提取新闻网站中的新闻链接。其中，由于不同的网站拥有完全不同的网站组织结构，在一个新闻网站上人工标注的位置信息无法迁移到其他新闻网站上，因此该方式可复用性较差；且人工标注的过程耗时耗力，准确性低。

3、需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本公开的目的在于提供一种新闻链接的提取方法、装置、电子设备及存储介质，以持续高效且全面地输出新闻网站主页中全部的网站新闻链接提取结果。

2、本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

3、根据本公开的一个方面，提供一种新闻链接的提取方法，包括：获取新闻网站主页的主页链接；根据主页链接进行链接数据提取，获得新闻网站主页的主页新闻链接提取结果、主页非新闻链接提取结果以及主页新闻链接更新速度；根据主页非新闻链接提取结果以及主页新闻链接更新速度，判断新闻网站主页中是否存在新闻板块页面；在存在新闻板块页面的情况下，提取新闻板块页面中的板块页新闻链接提取结果；根据主页新闻链接提取结果和板块页新闻链接提取结果确定新闻网站主页的网站新闻链接提取结果。

4、在本公开一个实施例中，根据主页非新闻链接提取结果以及主页新闻链接更新速度，判断新闻网站主页中是否存在新闻板块页面，包括：根据主页非新闻链接提取结果中的各个主页非新闻链接进行链接数据提取，获得各个主页非新闻链接所指向子页面的子页面新闻更新速度；若子页面中存在子页面新闻更新速度与主页新闻链接更新速度的比值大于更新阈值的目标子页面，则确定新闻网站主页中存在新闻板块页面，以及将目标子页面确定为新闻板块页面。

5、在本公开一个实施例中，根据主页链接进行链接数据提取，获得新闻网站主页的主页新闻链接提取结果，包括：基于预设提取频率确定多个提取时刻，并根据主页链接获得新闻网站主页在各个提取时刻的同域名链接集合；在当前提取时刻，利用预设的新闻提取滑动窗口获得第一预设数量个同域名链接集合；其中，第一预设数量个同域名链接集合对应于当前提取时刻及其之前的提取时刻；根据第一预设数量个同域名链接集合获得当前提取时刻的新增主页新闻链接；以当前提取时刻的新增主页新闻链接，作为新闻网站主页的主页新闻链接提取结果进行输出。

6、在本公开一个实施例中，第一预设数量为2；第一预设数量个同域名链接集合包括当前提取时刻的当前同域名链接集合和当前提取时刻的上一时刻的上一同域名链接集合；其中，根据第一预设数量个同域名链接集合获得当前提取时刻的新增主页新闻链接，包括：确定当前同域名链接集合与上一同域名链接集合之间的差集；根据差集中的链接确定当前提取时刻的新增主页新闻链接。

7、在本公开一个实施例中，根据主页链接进行链接提取，获得新闻网站主页的主页非新闻链接提取结果，包括：在当前提取时刻，利用预设的非新闻提取滑动窗口获得第二预设数量个同域名链接集合；其中，第二预设数量个同域名链接集合对应于当前提取时刻及其之前的提取时刻；根据第二预设数量个同域名链接集合获得当前提取时刻的主页非新闻链接；以当前提取时刻的主页非新闻链接，作为新闻网站主页的主页非新闻链接提取结果进行输出。

8、在本公开一个实施例中，第二预设数量大于第一预设数量；其中，根据第二预设数量个同域名链接集合获得当前提取时刻的主页非新闻链接，包括：确定第二预设数量个同域名链接集合的交集；根据交集中的链接确定当前提取时刻的主页非新闻链接。

9、在本公开一个实施例中，根据主页链接进行链接数据提取，获得新闻网站主页的主页新闻链接更新速度，包括：获取包含当前提取时刻的预设时段，并确定预设时段内提取时刻的提取总次数；根据预设时段内所有提取时刻的新增主页新闻链接确定新增主页新闻链接总量；根据新增主页新闻链接总量和提取总次数确定新闻网站主页在预设时段的主页新闻链接更新速度。

10、根据本公开的另一个方面，提供一种新闻链接的提取装置，包括：获取模块，用于获取新闻网站主页的主页链接；主页链接数据提取模块，用于根据主页链接进行链接数据提取，获得新闻网站主页的主页新闻链接提取结果、主页非新闻链接提取结果以及主页新闻链接更新速度；判断模块，用于根据主页非新闻链接提取结果以及主页新闻链接更新速度，判断新闻网站主页中是否存在新闻板块页面；板块链接提取模块，用于在存在新闻板块页面的情况下，提取新闻板块页面中的板块页新闻链接提取结果；确定模块，用于根据主页新闻链接提取结果和板块页新闻链接提取结果确定新闻网站主页的网站新闻链接提取结果。

11、根据本公开的又一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的新闻链接的提取方法。

12、根据本公开的再一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行上述的新闻链接的提取方法。

13、本公开的实施例所提供的新闻链接的提取方法，能够先对新闻网站主页进行链接数据提取，得到主页的主页新闻链接提取结果、主页非新闻链接提取结果以及主页新闻链接更新速度，然后根据主页非新闻链接提取结果以及主页新闻链接更新速度进一步判断新闻网站主页中是否存在新闻板块页面，并在存在的情况下再提取新闻板块页面中的板块页新闻链接提取结果，进而将主页新闻链接提取结果和板块页新闻链接提取结果共同作为新闻网站主页最终的网站新闻链接提取结果以进行输出。本方法可以自动高效地获得各个提取时刻的新增主页新闻链接、快速判断出新闻网站主页中是否还存在新闻板块页面，然后自动高效地获得新闻板块页面中的板块页新闻链接提取结果；可见，本方法不仅可以快速获得新闻网站主页中的新闻链接，还可以挖掘新闻网站主页中的新闻板块页面，并快速获得新闻板块页面中的新闻链接，从而可以持续高效且全面地输出新闻网站主页中全部的网站新闻链接提取结果。

14、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。