生成网站签名的方法、识别网站的方法及装置

摘要

本公开公开了生成网站签名的方法、识别网站的方法及装置，涉及计算机技术领域，尤其涉及网站识别技术领域。具体实现方案为：生成网站签名的方法，包括：根据目标网站的多个页面的统一资源定位符URL，确定多个页面的页面类型，其中，页面类型至少包括索引类型和内容类型；针对多个页面中索引类型的页面，确定主题信息；针对多个页面中内容类型的页面，确定页面模板；以及根据页面类型、主题信息和页面模板，生成目标网站的网站签名。

说明书

技术领域

本公开涉及计算机技术领域，尤其涉及网站识别技术领域。

背景技术

互联网每天生产海量数据，在这些海量数据中存在大量的垃圾数据。其中，有较多垃圾数据包含于作弊网站之中。作弊网站的设计者为了提升网页在搜索引擎中的排序，采用了一系列欺骗搜索引擎的做法，使得作弊网站包含了许多没有意义的垃圾数据，从而导致用户看到的页面与搜索引擎抓取到的内容不一致。这些作弊网站严重影响了互联网生态环境，并侵害了用户权益。

发明内容

本公开提供了一种用于生成网站签名的方法、识别网站的方法、装置、设备以及存储介质。

根据本公开的一方面，提供了一种生成网站签名的方法，包括：根据目标网站的多个页面的统一资源定位符URL，确定所述多个页面的页面类型，其中，所述页面类型至少包括索引类型和内容类型；针对所述多个页面中索引类型的页面，确定主题信息；针对所述多个页面中内容类型的页面，确定页面模板；以及根据所述页面类型、所述主题信息和所述页面模板，生成所述目标网站的网站签名。

根据本公开的另一方面，提供了一种识别网站的方法，包括：获取第一网站的网站签名和第二网站的网站签名；以及根据所述第一网站的网站签名和所述第二网站的网站签名，确定所述第一网站与第二网站是否为同一网站；其中，所述第一网站的网站签名和第二网站的网站签名是根据本公开实施例的生成网站签名的方法生成的。

本公开的另一个方面提供了一种计算设备，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公开实施例所示的方法。

根据本公开的另一方面，提供了一种生成网站签名的装置，包括：页面类型确定模块，用于根据目标网站的多个页面的统一资源定位符URL，确定所述多个页面的页面类型，其中，所述页面类型至少包括索引类型和内容类型；主题信息确定模块，用于针对所述多个页面中索引类型的页面，确定主题信息；页面模板确定模块，用于针对所述多个页面中内容类型的页面，确定页面模板；以及网站签名生成模块，用于根据所述页面类型、所述主题信息和所述页面模板，生成所述目标网站的网站签名。

根据本公开的另一方面，提供了一种识别网站的装置，包括：获取模块，用于获取第一网站的网站签名和第二网站的网站签名；以及识别模块，用于根据所述第一网站的网站签名和所述第二网站的网站签名，确定所述第一网站与第二网站是否为同一网站；其中，所述第一网站的网站签名和第二网站的网站签名是根据本公开实施例的生成网站签名的方法生成的。

根据本公开实施例的另一方面，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本公开实施例所示的方法。

根据本公开实施例的另一方面，提供了一种计算机程序产品，计算机程序，所述计算机程序在被处理器执行时实现本公开实施例所示的方法。

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

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1示意性示出了根据本公开实施例的生成网站签名的方法的流程示意图；

图2示意性示出了根据本公开实施例的确定主题信息的方法的流程示意图；

图3示意性示出了根据本公开实施例的内容类型的页面的示意图；

图4示意性示出了根据本公开实施例的确定页面模板的方法的流程示意图；

图5示意性示出了根据本公开实施例的索引类型的页面的示意图；

图6示意性示出了根据本公开实施例的根据页面类型、主题信息和页面模板，生成目标网站的网站签名的方法的流程示意图；

图7示意性示出了根据本公开实施例的识别网站的方法的流程示意图；

图8示意性示出了根据本公开实施例的生成网站签名的装置的示意框图；

图9示意性示出了根据本公开实施例的识别网站的装置的示意框图；以及图10示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。

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。

以下将结合图1，对生成网站签名的方法进行详细描述。

图1示意性示出了根据本公开实施例的生成网站签名的方法的流程示意图。

如图1所示，该生成网站签名的方法100可以包括操作S110～操作S140。

在操作S110，根据目标网站的多个页面的URL(统一资源定位符)，确定多个页面的页面类型。

根据本公开的实施例，页面类型至少包括索引类型和内容类型。其中，索引类型的网页可以用于索引其他网页，内容类型的网页可以用于展示具体的内容信息。

根据本公开的实施例，可以获取目标网站的初始URL，其中，初始URL例如可以包括目标网站主页的URL。然后，基于网络爬虫(Web spider)分别对初始URL进行遍历，以获得目标网站的多个页面的URL。

根据本公开的实施例，预先为每个页面类型配置有一个或多个特征字符串，其中，特征字符串可以用于匹配URL的结构特征。可以通过确定与多个页面中每个页面的URL匹配的特征字符串。然后根据特征字符串，确定每个页面的页面类型。

示例性地，本实施例中，与索引类型的对应的特征字符串例如可以包括：news.*.com.cn，finance.*.com.cn，sports.*.com.cn等。与内容类型对应的特征字符串例如可以包括：news.*.com.cn/pages/pageid＝*，finance.*.com.cn/pages/pageid＝*，sports.*.com.cn/pages/pageid＝*等。其中，*表示任意字符或字符的组合。

例如，对于URL为news.xxx.com.cn的页面，可以确定该URL与特征字符串news.*.com.cn匹配，相应地，可以确定该页面为索引类型。对于另一个URL为news.xxx.com.cn/pages/pageid＝1的页面，可以确定该URL与特征字符串news.*.com.cn/pages/pageid＝*匹配，相应地，可以确定该页面为内容类型。

在操作S120，针对多个页面中索引类型(或称目录类型)的页面，确定主题信息。

根据本公开的实施例，主题信息可以用于表示网站的主题。示例性地，本实施例中，可以根据内容类型的页面中的元信息(meta信息)来确定主题信息。

在操作S130，针对多个页面中内容类型的页面，确定页面模板。

根据本公开的实施例，页面模板可以用于表示页面的标准化格式。示例性地，本实施例中，可以从内容类型的页面中提取关键元素和关键元素在DOM节点树中的路径，根据这些关键元素在DOM节点树中的路径来确定页面模板。其中，关键元素例如可以包括页面中用于表示关键信息的元素，其中，关键信息例如可以包括title(标题)、content(内容)、source(来源)、time(时间)等信息。

在操作S140，根据页面类型、主题信息和页面模板，生成目标网站的网站签名。

根据本公开的实施例，根据页面类型、主题信息和页面模板，生成目标网站的网站签名，该生成网站签名的方法较为简单，另外，该方法是从整站的粒度对网站进行签名，因此不会因为单个页面的内容发生变化而导致网站签名失效。

根据本公开的另一些实施例，除了索引类型和内容类型之外，网页类型还可以包括其他页面类型。

示例性地，在本公开另一实施例中，页面类型还可以包括功能类型和辅助类型。其中，与功能类型对应的特征字符串可以包括：login.*.com.cn/signup/*。与辅助类型对应的特征字符串可以包括：about.*.com.cn/info/*。相应地，在生成第一签名信息时，可以对索引类型、内容类型、功能类型和辅助类型所对应的特征字符串进行拼接，得到第一字符串，然后对该第一字符串进行签名以得到第一签名信息。

以下将结合图2，对确定主题信息的方法进行详细描述。

图2示意性示出了根据本公开实施例的确定主题信息的方法的流程示意图。

如图2所示，该确定主题信息的方法220可以包括操作S221～操作S223。

在操作S221，获取内容类型的页面中的元信息。

根据本公开的实施例，可以获取页面中meta标签内的信息作为元信息。

在操作S222，针对元信息执行语义提取操作，得到原始文本数据。

根据本公开的实施例，通过对元信息进行语义提取，可以至少部分避免因页面内容变化导致整站签名兼容性不强的问题。

在操作S223，对原始文本数据进行归一化处理，得到至少一个主题词，作为主题信息。

根据本公开的实施例，归一化处理例如可以包括bigram(二元分词)处理。本实施例中，可以通过对原始文本数据进行bigram处理，将原始文本数据分成若干个由两个字组成的词语，即关键词。需要说明的是，在实际应用的过程中，也可以采用其他的方式对原始文本数据进行归一化处理，本公开对此不作具体限定。

下面结合图3和具体实施例对确定主题信息的方法做进一步说明。

图3示意性示出了根据本公开实施例的内容类型的页面的示意图。如图3所示，内容类型的页面包括meta、title等标签。可以获取所有meta标签内的信息作为元信息，然后对元信息进行语义提取，得到如下原始文本数据：“新闻，时事，时政，国际，国内，社会，法治，聚焦，评论，文化，教育，深度，网评，专题，环球，传播，论坛，图片，军事，焦点，排行，环保，校园法治，奇闻，真情”。接下来，对原始文本数据进行二元分词，得到主题信息如下：“新闻时事时政国际国内社会法治聚焦评论文化教育深度网评专题环球传播论坛图片军事焦点排行环保校园法治奇闻真情”。

以下将结合图4，对确定页面模板的方法进行详细描述。

图4示意性示出了根据本公开实施例的确定页面模板的方法的流程示意图。

如图4所示，该确定页面模板的方法430可以包括操作S431～操作S432。

在操作S431，确定内容类型的页面中的至少一个关键元素和至少一个关键元素在DOM(文档对象模型)节点树中的路径。

根据本公开的实施例，可以根据页面中元素的位置(例如包括相对位置、绝对位置等)、样式(例如包括字体、颜色等)等来确定分别对应于每个关键信息的元素，即关键元素。然后可以通过获取关键元素在DOM节点树(dom-tree)中的路径。

在操作S432，根据至少一个关键元素在DOM节点树中的路径，确定页面模板。

根据本公开的实施例，在得到关键元素在DOM节点树中的路径后，可以将所有路径存储为页面模板。

下面结合图5和具体实施例对确定关键元素的路径的方法做进一步说明。

图5示意性示出了根据本公开实施例的索引类型的页面的示意图。如图5所示，可以根据该索引类型的页面中元素的位置、样式等信息识别到该页面包括文章标题(title)51、文章内容(content)52、文章来源(source)53和发布时间(time)54等关键信息。

对应地，可以通过DOM节点树可以确定与关键信息title 51对应的关键元素的路径为：

/html/body/main/section[1]/section[1]/article/h1。

与关键信息content 52对应的关键元素的路径为：

/html/body/main/section[1]/section[1]/article/section[2]

与关键信息source 53对应的关键元素的路径为：

/html/body/main/section[1]/section[1]/article/section[1]/div/div/figcaption/figure/h2

与关键信息time 54对应的关键元素的路径为：

/html/body/main/section[1]/section[1]/article/section[1]/div/div/figcaption/figure/time/span

以下将结合图6，对根据页面类型、主题信息和页面模板，生成目标网站的网站签名的方法进行详细描述。

图6示意性示出了根据本公开实施例的根据页面类型、主题信息和页面模板，生成目标网站的网站签名的方法的流程示意图。

如图6所示，根据页面类型、主题信息和页面模板，生成目标网站的网站签名的方法640可以包括操作S641～操作S644。

在操作S641，根据多个页面的页面类型，生成第一签名信息。

根据本公开的实施例，将特征字符串进行拼接，得到第一字符串。然后针对第一字符串执行签名操作，以得到第一签名信息。

在操作S642，根据主题信息，生成第二签名信息。

根据本公开的实施例，可以分别针对主题信息中的每个主题词执行签名操作。将签名后的至少一个主题词进行拼接，得到第二字符串。然后针对第二字符串执行签名操作，得到第二签名信息。

在操作S643，根据页面模板，生成第三签名信息。

根据本公开的实施例，可以将页面模板中每个关键元素在DOM节点树中的路径进行拼接，得到第三字符串。然后针对第三字符串执行签名操作，得到第三签名信息。

根据本公开的实施例，通过分别对特征字符串、主题信息和页面模板进行签名可以方便把特征字符串、主题信息和页面模板中含有不可见字符串的信息用可见字符表示出来，以便复制粘贴或传输。

在操作S644，根据第一签名信息、第二签名信息和第三签名信息，生成目标网站的网站签名。

根据本公开的实施例，可以将述第一签名信息、第二签名信息和第三签名信息进行拼接，得到第四字符串。然后针对第四字符串执行签名操作，得到网站签名。

根据本公开的实施例，在生成第一签名信息、第二签名信息、第三签名信息和网站签名的过程中，可以采用相同的编码方式，也可以采用不同的编码方式。示例性地，本实施例中，在生成第一签名信息、第二签名信息、第三签名信息和网站签名时均采用base64的编码方式。可以理解的是，在实际应用的过程中，也可以采用除base64之外的其他编码方式，本公开对此不作具体限定。

以下将结合图7，对识别网站的方法进行详细描述。

图7示意性示出了根据本公开实施例的识别网站的方法的流程示意图。

如图7所示，该识别网站的方法700可以包括操作S710～操作S720。

在操作S710，获取第一网站的网站签名和第二网站的网站签名。

根据本公开的实施例，第一网站和第二网站的网站签名是上文所示生成网站签名的方法生成的。第一网站和第二网站的网站签名的具体生成方法可以参考上文，在此不再赘述。

在操作S720，根据第一网站的网站签名和第二网站的网站签名，确定第一网站与第二网站是否为同一网站。

根据本公开的实施例，可以计算第一网站的网站签名和第二网站的网站签名之间的相似度。然后根据相似度，来确定两网站是否为同一网站。例如，可以计算第一网站的网站签名和第二网站的网站签名之间的空间距离，作为衡量该两网站签名之间相似度的参数。若空间距离小于阈值，则确定第一网站和第二网站为同一网站。否则，确认第一网站和第二网站不为同一网站。

根据本公开的实施例的识别网站的方法可以用于识别作弊网站。由于网站签名是基于整站粒度，因此兼容性较强，不会因为网站的部分网页内容发送变化而导致识别失败，从而有助于提高作弊网站的打击力度。

以下将结合图8，对生成网站签名的装置进行详细描述。

图8示意性示出了根据本公开实施例的生成网站签名的装置的示意框图。

如图8所示，该生成网站签名的装置800可以包括页面类型确定模块810、主题信息确定模块820、页面模板确定模块830和网站签名生成模块840。

页面类型确定模块810，可以用于根据目标网站的多个页面的统一资源定位符URL，确定多个页面的页面类型，其中，页面类型至少包括索引类型和内容类型。

主题信息确定模块820，可以用于针对多个页面中索引类型的页面，确定主题信息。

页面模板确定模块830，可以用于针对多个页面中内容类型的页面，确定页面模板。

网站签名生成模块840，可以用于根据页面类型、主题信息和页面模板，生成目标网站的网站签名。

以下将结合图9，对识别网站的装置进行详细描述。

图9示意性示出了根据本公开实施例的识别网站的装置的示意框图。

如图9所示，该识别网站的装置900可以包括获取模块910和识别模块920。

获取模块910，可以用于获取第一网站的网站签名和第二网站的网站签名。

识别模块920，可以用于根据第一网站的网站签名和第二网站的网站签名，确定第一网站与第二网站是否为同一网站。

其中，第一网站的网站签名和第二网站的网站签名是根据本公开实施例的生成网站签名的方法生成的。

需要说明的是，本公开的技术方案中，所涉及的网站信息或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，本公开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。

图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。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/或者要求的本公开的实现。

如图10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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。

计算单元1001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1001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1001执行上文所描述的各个方法和处理，例如生成网站签名的方法和/或识别网站的方法。例如，在一些实施例中，生成网站签名的方法和/或识别网站的方法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1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的生成网站签名的方法和/或识别网站的方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行生成网站签名的方法和/或识别网站的方法。

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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。