本發(fā)明涉及互聯(lián)網(wǎng)技術(shù)，特別涉及一種對網(wǎng)頁進行版式分類的方法和裝置。

背景技術(shù)：
目前，針對Web網(wǎng)頁，主要存在兩種分類方式，一種是內(nèi)容分類，另一種是版式分類。其中，內(nèi)容分類是以頁面正文內(nèi)容的不同作為分類角度，可分為新聞頁和問答頁等；版式分類是以頁面主體結(jié)構(gòu)框架的不同作為分類角度，可分為博客頁和論壇頁等。對于內(nèi)容分類，目前的研究已經(jīng)比較成熟，但對于版式分類的研究則稍顯不足。在實際應(yīng)用中，版式分類的結(jié)果可用于建立網(wǎng)頁模型，并可為頁面信息抽取提供參考信息，還可用于搜索引擎結(jié)果的類別區(qū)分等，具有重要意義?，F(xiàn)有技術(shù)中，主要通過名單加典型的統(tǒng)一資源定位符(URL，UniformResourceLocator)特征的方式來實現(xiàn)版式分類，具體實現(xiàn)包括：針對任一Web網(wǎng)頁X，首先利用名單來對其URL進行匹配，所述名單中可包括一系列不同的域名以及分別對應(yīng)的版式類別等，如名單中的一個域名為hi.baidu.com，對應(yīng)的版式類別為博客頁，那么，如果Web網(wǎng)頁X的URL中包括“hi.baidu.com”，則可確定出Web網(wǎng)頁X所屬的版式類別為博客頁；如果利用名單無法確定出Web網(wǎng)頁X所屬的版式類別，則可進一步利用一些典型的URL特征來進行確定，如Web網(wǎng)頁X的URL中包括“bbs”，則可確定出Web網(wǎng)頁X所屬的版式類別為論壇頁。但是，上述方式在實際應(yīng)用中會存在一定的問題：由于名單中能夠覆蓋的域名非常有限，而且很多Web網(wǎng)頁的URL中不會存在如“bbs”等典型的URL特征，因此將會導(dǎo)致很多的Web網(wǎng)頁無法被正確分類。

技術(shù)實現(xiàn)要素：
有鑒于此，本發(fā)明提供了一種對網(wǎng)頁進行版式分類的方法和裝置，能夠提高分類結(jié)果的準確性。為達到上述目的，本發(fā)明的技術(shù)方案是這樣實現(xiàn)的：一種對網(wǎng)頁進行版式分類的方法，當需要對任一Web網(wǎng)頁進行分類時，進行以下處理：獲取所述Web網(wǎng)頁中能夠體現(xiàn)頁面版式特征的信息；根據(jù)獲取到的信息確定所述Web網(wǎng)頁分別屬于預(yù)先設(shè)定的N個不同版式類別的概率，N為大于1的正整數(shù)；將取值最大的概率對應(yīng)的版式類別作為所述Web網(wǎng)頁所屬的版式類別。一種對網(wǎng)頁進行版式分類的裝置，包括：第一處理模塊，用于當需要對任一Web網(wǎng)頁進行分類時，進行以下處理：獲取所述Web網(wǎng)頁中能夠體現(xiàn)頁面版式特征的信息，并發(fā)送給第二處理模塊；所述第二處理模塊，用于根據(jù)獲取到的信息確定所述Web網(wǎng)頁分別屬于預(yù)先設(shè)定的N個不同版式類別的概率，N為大于1的正整數(shù)；將取值最大的概率對應(yīng)的版式類別作為所述Web網(wǎng)頁所屬的版式類別?？梢?，采用本發(fā)明所述方案，對于任一Web網(wǎng)頁，可根據(jù)獲取到的體現(xiàn)該Web網(wǎng)頁的頁面版式特征的信息確定該Web網(wǎng)頁分別屬于不同的版式類別的概率，并將取值最大的概率對應(yīng)的版式類別作為該Web網(wǎng)頁所屬的版式類別。相比于現(xiàn)有技術(shù)，本發(fā)明所述方案無需依賴于名單和典型的URL特征，對任意的Web網(wǎng)頁均適用，從而可較好地提高分類結(jié)果的準確性。而且，本發(fā)明所述方案實現(xiàn)起來簡單方便，便于普及和推廣。附圖說明圖1為本發(fā)明對網(wǎng)頁進行版式分類的方法實施例的流程圖。圖2為本發(fā)明對網(wǎng)頁進行版式分類的過程示意圖。圖3為本發(fā)明所述兩級版式分類方式示意圖。圖4為本發(fā)明對網(wǎng)頁進行版式分類的裝置實施例的組成結(jié)構(gòu)示意圖。具體實施方式針對現(xiàn)有技術(shù)中存在的問題，本發(fā)明中提出一種改進后的對網(wǎng)頁進行版式分類的方案。為使本發(fā)明的技術(shù)方案更加清楚、明白，以下參照附圖并舉實施例，對本發(fā)明所述方案作進一步地詳細說明。圖1為本發(fā)明對網(wǎng)頁進行版式分類的方法實施例的流程圖。當需要對任一Web網(wǎng)頁進行分類時，分別按照圖1所示流程進行處理。步驟11：獲取Web網(wǎng)頁X中能夠體現(xiàn)頁面版式特征的信息。為便于表述，用Web網(wǎng)頁X來代表任一Web網(wǎng)頁。本步驟中，可首先建立Web網(wǎng)頁X的文本對象模型(DOM，DocumentObjectModel)樹；之后，根據(jù)所建立的DOM樹提取出Web網(wǎng)頁X中的內(nèi)容源信息以及結(jié)構(gòu)特征信息。其中，內(nèi)容源信息可包括：標簽和短文本；結(jié)構(gòu)特征信息可包括：URL、二級導(dǎo)航和標題。通常來說，頁面版式特征不會體現(xiàn)在長文本，如正文和句子中，因此，可只提取Web網(wǎng)頁X中的短文本和標簽等，將其作為內(nèi)容源信息，并提取Web網(wǎng)頁X的URL、Web網(wǎng)頁X中的二級導(dǎo)航以及標題等作為結(jié)構(gòu)特征信息，標題即指Web網(wǎng)頁X的網(wǎng)頁標題，短文本是指網(wǎng)頁超文本標記語言(HTML，HypertextMarkupLanguage)源文件中不包含標點且文本長度有限的字符串，一般用于描述網(wǎng)頁的若干提示信息。如何建立DOM樹以及如何提取內(nèi)容源信息和結(jié)構(gòu)特征信息可以參考現(xiàn)有技術(shù)，在此不贅述...