一种应用网页语义的方法和系统的制作方法

专利名称：一种应用网页语义的方法和系统的制作方法
技术领域：
本发明涉及IT技术，尤其涉及一种提取并应用网页语义的方法，如加入广告的方法。
背景技术：
随着网络技术的不断发展，各种各样的基于网页的应用也越来越多。网页通常是 在网站的制作或维护过程中产生的，多数都是脚本(Script)形式的网页，包括HTML/XML/ ASP/JSP/PHP/PERL/CGI等各种各样的脚本格式，但是其中还是以HTML的网页形式最多。随 着互联网经济的不断发展，各种各样的网站应运而生，现有的网站最主要的赢利手段之一 就是广告。下面以广告为例来谈谈现有的网页的应用。现阶段，广告商制定了多个策略，以求最大限度地提高广告的价值。一种策略是， 广告商使用常用的手段来提供交互媒体或服务，即通常是通过网站的形式作为提供交互式 媒体服务的渠道。通过这种策略，广告商可以将广告指向一个比较集中的受众群体，从而为 广告更好地寻找目标受众提供了可能性。例如，广告商可以将最新款的游戏消息通过新浪 网站的游戏板块投放给喜欢游戏的受众。另一种策略是广告商对一般性广告通过广泛传 播，尽可能地将广告推送给更多的受众，以期望更好的广告效果。不管采用哪一种策略，基于网站的广告，即Web广告，通常是以横幅广告的形式呈 现在网站浏览者(以下称为用户)面前。用户通过点击某一个横幅广告，就会进入所述横 幅链接的指向某个广告商的网站。用户点击的次数和广告显示的次数之间的比率被称之为 点击率。现在存在的问题是，虽然广告商在大量网站广泛投放广告，但是广告的点击率并不 高，因此广告商对广告投资的汇报也并不满意。某些广告商试图通过跟踪用户的在线习惯 来改善广告的效率，但是这种做法往往会导致侵害用户隐私的行为发生。同样，网站的所有者(以下称为网站主)，也会遇到需要提高广告收益而又不能影 响用户感受的难题。某些网站主选择了一味扩大广告投放而忽视用户感受的做法，导致大 量网站用户流失。另一类是搜索引擎网站，例如google，这类网站能使广告商确定他们的广告目标， 以便通过与广告相关的搜索页面与广告一起呈现给用户。虽然搜索结果页面给广告商提供 了将其广告指向搜索者的机会，但是搜索结果只是万维网很小的一部分，并无法将所有需 要投放的广告都针对这样的潜在客户(这里指前面提到的搜索者)进行投放。由于大量的门户网站的出现，使得一些大型网站每天访问量突破千万，而一些小 型网站则无人问津。这使得一些小型网站的广告价值几乎没有办法体现，这也使得一些小 型网站很难生存。相反，大型网站则可以根据其大量的访问量，而收取高额的广告费用。但 是这对于广告商来说，并没有把网站的广告能量都发挥完全，怎么样利用分散而众多的小 型网站投放高质量的广告成为广告商所需要思考的问题。这里就存在一个问题，如何更好的使用互联网资源(如何使用网页)？如何为网 页添加广告？怎样在互联网上搜索信息或投放信息才是高效的？
传统的网页，只有简单的表现形式，如果需要完成一些特殊的功能，通常都是通 过在原有网页源文件中加载ActiveX控件或在网页源文件中嵌入一些控制节本语言，如， JavaScript/VBScript/, net的一些代码。这样不光使网页看上去非常复杂，而且这种把内 容和控制放在一起的做法，既不适合大规模处理网页，也不适合对网页规范的完全控制，很 难实现网页服务的个性化。网页的语义化才是网页发展的方向。现有的所有网页基本上都是描述网页的结 构，作为网页内容的载体，并不能很好的说明网页中到底有什么。这对网页的处理和使用带 来了很大的困难。专利号CN200410057064. 1，提出了一种网页信息块提取装置和方法，该 方法把网页分解成信息块，并进行处理，但是仍然不能很好地表现出网页内容的语义。专利 号200510109288. 7，提供了一种抽取网页信息的方法，但是并不能把每一个网页都结构化 地进行处理。

发明内容
本发明提供了一种应用网页语义的方法和系统，以解决现有技术中不能很好地表 现出网页内容的语义的缺陷。本发明提供了一种真正使用网页语义的方法，把网页内容的语义通过关键字的形 式抽象出来，可以使用该方法方便地为网页内容加入辅助信息，该方法除了可以有效地控 制网页，还可以用于网络广告投放。本发明提供了对网页的主动式和被动式两种处理方法， 来分析网页语义，并通过对网页语义的分析提供基于网页的服务和应用。所谓主动式，是 指在不对现有网页做修改的情况下，客户端运行一些程序或插件完成一些对网页语义的分 析功能，并根据语义完成某些特定的应用，例如，通过对网页语义分析，向网页提供与网页 内容相关的辅助信息(广告等)。所谓被动式，是指对网页要进行预先的处理或者修改原 有的网页脚本或者添加网页的内容描述文件、功能描述文件等，用户侧客户端通过程序升 级或安装插件等方法可以识别对网页文件的修改或新增加的网页描述文件(包括，内容描 述文件和功能描述文件)。被动式或主动式的方法都可以实现对网页语义的分析，并可以 通过脚本语言或预设程序来控制网页浏览器的一些动作。也就是说浏览器的行为不完全 是由用户控制的，而是部分决定于网页本身的内容或网页预先设置好的脚本或其它一些描 述文件(在本专利中为内容描述文件和功能描述文件)。以主动式的分析网页语义的方法 并为用户提供基于网页内容的辅助信息为例，首先客户端从网站接收到的网页的内容(例 如，HTML等脚本网页)，通过本发明语义分析系统(主动式)中的关键字匹配模块判断网 页内容是否和一些预先定义好的关键字相匹配，如果匹配，则根据所述关键字匹配模块中 匹配成功的关键字所对应的辅助信息的链接地址向服务端发起服务请求，获得需要的辅助 信息。其中辅助信息可以是关于网页中具体相关内容的介绍、分析、广告等相关信息。在客 户端维护的关键字匹配模块用于分析用户网页内容，并将获得的匹配信息(包含被匹配成 功的关键字对应的辅助信息的地址信息)发送到服务端。例如，当用户打开一个体育网站， 收看一段介绍足球比赛的网页，这时关键字匹配模块会发现“足球”这是需要搜索的匹配信 息，并且通过关键字匹配模块可以得到关于“足球”两字的辅助信息的位置，比如一个具体 的网络上的URL地址(HTTP://. · · /bootball. html)等，这个具体的URL通常都在服务端 上，这时候客户端就会向服务端发起一个服务请求，要求取回这个URL地址的辅助信息。辅助信息包括视频、图像、声音、文字等所有媒体信息。该方法可以主动地向用户推送网页内容相关的广告，既不会对用户浏览网页造成 不便，也可以大大改善网络广告投放的效果。当然该方法还可以用于推送广告之外的其它 辅助信息，例如，用户在网页上遇到一个数学公式，类似地可以通过该方法向用户推送所述 数学公式的推导方法。对于被动式的方式来处理网页，获取网页语义信息的过程就是生成 网页内容描述文件的过程或生成新网页820的过程。以内容描述文件为例，内容描述文件 即是浓缩后的网页，基本上能概括网页信息内容的主体，但却可能比网页本身节省更多的 存储空间。生成网页内容描述文件的方法也同样会用到关键字匹配这一个过程，在本发明 中是网页源文件通过处理模块3000处理后生成的。在生成了网页描述文件后，往往可以通 过网页内容描述文件生成网页的功能描述文件，当然也可以通过处理模块3000直接生成 功能描述文件。本发明还可以通过在描述文件(包括内容描述文件和功能描述文件)或 网页源文件中加入网页适合对象的信息的方法，来有针对性地投放网页或有限制地投放网 页。与现有技术相比，本发明具有以下优点本发明实施例中，把网页内容的语义通过关键字的形式抽象出来，可以使用该方 法方便地为网页内容加入辅助信息，该方法除了可以有效地控制网页，还可以用于网络广 告投放。


图1是本发明中主动式的一种系统结构示意图；图2是本发明中主动式的另一种系统结构示意图；图3是本发明中关键字匹配模块数据结构示意图；图4是本发明中主动式第一种网页信息处理过程的流程图；图5是本发明中主动式第二种网页信息处理过程的流程图；图6是本发明中主动式第三种网页信息处理过程的流程图；图7是本发明中为被动式网页源文件添加指向辅助信息地址链接的流程图；图8是本发明中为被动式网页源文件添加指向辅助信息的系统结构图；图9是本发明中分析网页内容并形成一棵树的示意图；图10是本发明中被动式的生成内容描述文件和功能描述文件示意图；图11是本发明中被动式的生成和使用功能描述文件的系统示意图；图12是本发明中被动式通过设定网页适合对象来投放网页的示意图。
具体实施例方式本发明是对现有的网页浏览方式以及网页的结构做了一定的改进，使网页本身具 有更强的实用性和互动效果，能够在保留原有网页的基础上为网页增加大量的辅助信息， 并且在本发明中还为网页增加了两种描述文件(profile)结构，大量丰富了网页的功能。 本发明的核心围绕着这样一个主题根据网页自身的内容，并结合关键字列表和网页本身 的属性(网页的基本信息)，提取网页的语义信息，并根据网页的语义信息执行某些预定的 操作逻辑。在对网页的语义做分析时，有被动和主动两种方式。所谓主动式，是指在不对现有网页做修改或不增加新文件的情况下，客户端运行一些程序或插件完成一些对网页语义 的分析功能，并根据语义完成某些特定的应用，例如，通过对网页进行语义分析，找到存在 含有与辅助信息对应的关键字的网页，并向网页提供与网页内容相关的辅助信息(如，广 告等)。所谓被动式，是指对网页要进行预先的处理或者修改原有的网页脚本或者添加网 页的内容描述文件、功能描述文件等，用户侧客户端通过程序升级或安装插件等方法可以 识别对网页文件的修改或新增加的网页描述文件(包括，内容描述文件和功能描述文件)。 被动式或主动式的方法都可以实现对网页语义的分析，并可以通过脚本语言或预设程序来 控制网页浏览器或浏览器外部程序的一些动作。也就是说浏览器的行为不完全是由用户控 制的，而是部分决定于网页本身的内容或网页预先设置好的脚本或其它一些描述文件(在 本专利中为内容描述文件和功能描述文件)。一般的相关领域的技术人员均很容易了解本 发明的工作原理和思想，根据本发明设计到的原理和思想，做出简单调整和改动的技术或 系统均在本发明保护范围之内。如图1所示，为本发明的主动式的一种系统结构示意图。主要分为两个大的部分， 一部分是客户端，另一部分是服务端。客户端包括5个重要的模块(次要或通用模块未在 图例中画出)，网页浏览模块120主要是解析网页并在客户端显示，用户可以通过网页浏览 模块120浏览请求网页。内容导入模块130，主要作用是根据不同的应用提取出网页部分 或全部内容，并把提取的内容导入关键字匹配模块，例如，内容导入模块包括几种常见的内 容导入方式第一种，将用户请求的网页内容(即网页源文件)全部导入到关键字匹配模 块；第二种，将用户正在显示的窗口内的网页内容或某一个框架(frame)内的网页内容，即 一部分网页内容导入到关键字匹配模块；第三种，将鼠标周围或用户选定的区域内的网页 内容导入到关键字匹配模块。在关键字匹配模块150中，会维护一个可以被更新或编辑的 关键字数据结构，如图3所示，通常包含关键字列表310和对应辅助信息位置320，关键字匹 配模块会寻找从内容导入模块130导入的网页内容和关键字列表310之间的匹配关系，如 果发现匹配则通过通信模块140按照关键字对应辅助信息位置320向服务端发起辅助信息 请求。服务端170在通过服务端通信模块180接收到客户端110发起的带有位置信息的请 求后，会在辅助信息存储模块中找到相应的辅助信息，并把辅助信息发送到客户端110，通 过客户端110的辅助信息播放模块进行播放。在图2中，即本发明中主动式的另一种系统结构示意图，和图1的区别就在于，将 关键字匹配模块从客户端移到了服务端。实际上也就是内容导入模块和关键字匹配模块之 间的通信，通过客户端Iio的通信模块140和服务端170的通信模块180来完成，而不是像 图1那样在客户端内部完成。这样做的问题是可能减少由于关键字匹配模块中匹配运算给 客户端带来的压力，但是可能会增加客户端和服务端通信的压力。一个比较适合图2系统 的实施例为，用户在浏览网页时，用鼠标指向一些需要进一步辅助信息的内容，比如需要翻 译鼠标指向的单词，内容导入模块130会将鼠标指向的单词通过客户端110的通信模块140 和服务端170的通信模块180发送到关键字匹配模块150，关键字匹配模块150则会根据关 键字对应的本地或网络地址取回辅助信息(对所述单词的翻译信息)，最终将辅助信息传 送到客户端，并通过辅助信息的播放模块进行播放。在图2中，辅助信息不一定和存储在关 键字匹配模块存储在同一个服务器上，有可能辅助信息存储模块保存在另一台关联服务器 上。为了说明问题，本发明只使用了比较简单的情况。
图1和图2中，辅助信息播放模块160和内容导入模块130可以作为一个插件或 一段程序放在网页浏览器(如IE等)中执行，也可以作为一个单独的程序放在网页浏览 器之外运行，例如，辅助信息播放模块在播放辅助信息的时候，可以在网页内的某一个位置 播放，也可以在浏览器窗口外的某一个位置播放。为了简单起见，内容导入模块通常是和网 页浏览器有接口的，这样可以在用户请求或浏览网页内容时，更灵活方便的获取网页内容。图3为本发明中关键字匹配模块数据结构示意图，在关键字匹配模块140中，通常 至少会保留关键字列表310和对应辅助信息位置320这两项数据结构，这样可以通过简单 的查表来确定所需要的辅助信息的位置。当然在数据结构设计过程中可能还需要一些辅助 的信息，例如，辅助信息播放的位置，关键字优先级，客户端IP地址，服务端IP地址等，这些 信息都是可选的，没有在图3中一一列出。关键字列表既可以和辅助信息对应，又可以和辅 助信息地址对应，图3只画出了关键字列表和辅助信息地址对应的情况。关键字和辅助信 息或辅助信息地址的对应关系型可以是，一个关键字对应多个辅助信息或多个辅助信息地 址，多个关键字对应一个辅助信息或一个辅助信息地址，一个关键字对应一个辅助信息或 一个辅助信息地址。图4为本发明中第一种主动式网页信息处理过程的流程图，该处理过程是图1的 一个实例，具体包括410，客户端接收到网页，并由关键字匹配模块搜索用户浏览网页内 容，即搜索用户浏览网页的HTML或XML(eXtensibIeMarkup Language，扩展标记语言)文 件；420，判断网页内容是否和关键字存在匹配；430如果存在匹配，则按照关键字对应的地 址取回辅助信息；440并将取回的信息在客户端播放；如果不存在匹配，则返回到前一步继 续搜索。这样所述网页内容还可以是用户正在看的网页框架(frame)内的内容，或用户浏 览器窗口内显示部分的内容，这些内容采用JavaScript等本语言或操作系统的一些API程 序来提取。图5为本发明中第二种主动式网页信息处理过程的流程图，该处理过程是图2的 一个实例。在用户获得网页内容以后，可以伴随简单的操作，例如，510，把鼠标或光标指向 不明白的单词，这个时候，将鼠标或光标指向的网页内容传回服务端；520并在判断服务端 是否存在和网页内容匹配的关键字；530如果存在，服务端则取回关键字对应的辅助信息 或按找关键字对应的地址取回辅助信息，服务器将关键字对应的辅助信息传回客户端；540 最终在客户端播放辅助信息。在抓取鼠标周围文字的时候，往往需要运用到JavaScript 或其它脚本技术，也可以根据不同的操作系统，调用一些底层API函数来实现，例如在 Windows系统中，可以调用钩子(Hook)来实现Windows屏幕取词。图6为本发明中第三种主动式网页信息处理过程的流程图，这个过程和图4以及 图5有很大不同，是伴随着用户对网页的点击而发生的。610，用户点击网页内具有超文本 链接的文字条目，620，并判断文字条目是否和关键字存在匹配；630如果存在匹配，则按照 关键字对应的地址取回辅助信息；640并将取回的信息在客户端播放。图7为本发明中为被动式网页源文件添加指向辅助信息地址链接的流程图，这种 方法的一个特点是必须在浏览网页之前就完成添加指向辅助信息地址链接这一过程，而不 像图4、图5、图6是在浏览网页的过程中直接通过关键字匹配模块取回辅助信息。也就是 说现有的网页文件在被浏览前，还要经过处理，加入指向辅助信息地址链接。具体流程为， 710，用户获取网页源文件内容；720，判断网页源文件内容是否和关键字存在匹配；730，如果存在匹配，为源文件中匹配的地方加入指向辅助信息地址的链接；740，将加入了辅助信 息链接的网页或形成新的辅助信息描述文件再发送给用户。在这种方式下系统结构将做 细微调整，如图8所示，为被动式网页源文件添加指向辅助信息的系统结构图。这里将添 加指向辅助信息链接前的网页称为旧网页，将添加了辅助信息链接后的网页称为新网页。 本专利主要针对但不限于处理网页中文字信息，在旧网页中，如果不考虑网页中诸如注释、 函数等辅助信息，在所有的可显示的文字信息可以分为两种，一种是带有链接信息的，一种 是没有带有链接信息的。在源文件中发现例如〈ahref = http://mp3. baidu. com/>mp3</ a>格式的代码或类似代码，说明mp3本身是带有链接信息的，并且链接的地址是http:// mp3. baidu. coiV。通常比较容易的识别标志是<a href =链接地址></a>，在HTML或 XML (extensible MarkupLanguage)语言中<a href =链接地址></a>表示链接结构。对 于一些其它的结构，如
. · · </p>等，则不具有链接结构。在本发明中，将为存在链接结 构的能够关键字匹配的文字信息增加新的链接结构指向辅助信息，或为不存在链接结构但 是能和关键字匹配的结构增加新的链接结构以指向辅助信息。在HTML或XML(extensible Markup Language)这种互联网这种最基本的网页语言中，却只有这一种链接结构，而且也 只有一种激活方式，即通过鼠标点击这一种激活方式。对于现有的互联网的越来越复杂的 应用则必须产生一些新的链接结构以及新的激活方式。为了专利的完整性，在加入辅助链 接的时候则使用了一些新的链接结构和激活方式。例如，在旧网页810中，存在这样一个链 接结构<a href = http://A. html>2008年8月8日将在北京举办第29届奥运会开幕式
</a>如果在关键字匹配模块150中存在关键字“2008” “北京” “奥运会”等关键字信 息以及关键字对应的辅助信息的地址分别为http: Il 2008. html、http//beijing. html、 http://01ympicgames. html，关键字匹配模块在这里(图8)的功能和图1到图6按照辅助 信息的地址取回辅助信息不同，这里关键字匹配模块还要负责将辅助信息的地址加入到旧 网页被匹配上的位置中，形成新网页820。匹配的方法有以下几种1、使用带优先级的链接结构，采用和原有优先级不同的标志字符，例如，原有的标 志字符是<aX/a>，则可以增加新的优先级标志字符<bX/b>、<CX/C>等，可以定义a的优 先级大于b，b的优先级大于c。根据上面的例子，可以定义“北京”和“奥运会”的优先级为 b，“2008”的优先级为c，则得到以下的新网页源文件内容<a href = http://A. htmlXc href = http://2008. html>2008</c> 年 8 月 8 日将在 <bhref = http://beijing. html> 北京 </b> 举办第 29 届 <bhref = http:// Olympicgames. html> 奥运会 </b> 开幕式 </a>当新网页820发送到客户端110后，可以采用不同的下划线方式或不同的彩色文 字或不同字体的方式来显示不同优先级的链接结构，例如，无色代表优先级最高、红色次 之、黄色的优先级比红色低等。用户可以通过以下方式激活存在的辅助信息的链接(1)鼠 标在文字上则取回并显示网页所带的辅助信息；(2)鼠标在代用辅助信息链接的文字上做 规定动作，如转图画圆等；(3)鼠标点击带有链接结构的网页条目，在打开时候，同时取回 辅助信息并显示；(4)浏览器识别优先级自动或按照时间取回并显示辅助信息。用户可以 通过以下方式来显示取回的辅助信息(1)打开一个新的网页，即执行新的浏览器线程或进程，来显示取回的辅助信息；(2)在原有的网页中通过内部程序调用或执行JavaScript 等脚本语言或执行ActiveX控件或调用浏览器插件来显示取回的辅助信息；(3)在浏览器 外部通过调用系统API或系统设备或新的软硬件程序来显示取回的辅助信息的方法。2、使用链接结构嵌套表达方式，在浏览器解析网页链接结构的时候，识别出链接 结构内部嵌套的链接结构，采用有条件的方式打开这些链接的辅助信息。需要注意的是这 也是本发明的一部分，因为在原有的链接结构中，并不支持这种嵌套的表达方式。在这种情 况下，新网页的源文件内容为<a href = http://A. htmlXa href = http://2008. html>2008</a> 年 8 月 8 日将在 <ahref = http://beijing. html> 北京 </a> 举办第 29 届 <ahref = http:// Olympicgames. html> 奥运会 </a> 开幕式 </a>当新网页820发送到客户端110后，可以采用不同的下划线方式或不同的彩色 文字或不同字体的方式来显示不同嵌套级别的链接结构，例如，蓝色下划线代表最外层嵌 套、红色下划线表示内层嵌套等等，这需要浏览器对多层嵌套功能的支持。用户可以通过 以下方式激活存在的辅助信息的链接(1)鼠标在文字上则取回并显示网页所带的辅助 信息；(2)鼠标在代用辅助信息链接的文字上做规定动作，如转圈画圆等；(3)鼠标点击 带有辅助信息链接的文字；(4)浏览器识别嵌套层次自动或按照时间取回并显示辅助信 息。用户可以通过以下方式来显示取回的辅助信息(1)打开一个新的网页，即执行新的 浏览器线程或进程，来显示取回的辅助信息；(2)在原有的网页中通过内部程序调用或执 行JavaScript等脚本语言或执行ActiveX控件或调用浏览器插件来显示取回的辅助信息； (3)在浏览器外部通过调用系统API或系统设备或新的软硬件程序来显示取回的辅助信息 的方法。3、在原有的网页结构中增加新的逻辑控制语句，即在语义中取回辅助信息的语 法，这中语法结构类似“如果条件A成立，则执行B操作”，表现在C语言中为“if(A) ；B; ”， 也可以表示为“当条件A成立时，才执行B操作”，表现在C语言中为“while(A)B”。这些带 有语义的语法结构对于网页的灵活应有具有很好的作用。因为语法结构千变万化，因此在 本专利中不可能穷尽所有新的语义表达方式。但是在网页中加入以上(但不限于以上)语 义时，均在本专利的保护范围之内。在传统的方法中一般是通过比较复杂的JavaScript语 言来看程序逻辑进行控制的。对于上面的例子可以表述为<if><a href = http://A. html>2008年8月8日将在北京举办第29届奥运会开 幕式</a>{<a href = http: // 2008. html><a href = http: // beij ing. html><a href = http://Olympicgames. html>}</if>或<while><a href = http://A. html>2008年8月8日将在北京举办第29届奥运会
开幕式</a>
10
{<ahref=http/V2008.html〉
<ahref=http/Vbei jing. html>
<ahref=http/VOlympicgames. html>}</while>这里还可以把用户的操作也规定到网页里面，例如用户有点击(click)、鼠标移动 到链接上(mouse on)等，这样上述代码可以修改为<while> a href = http://A. html>2008 年 8 月 8 日将在北京举办第 29 届奥运 会开幕式</a> = click){<ahref=http/V2008.html〉
<ahref=http/Vbei jing. html>
<ahref=http/VOlympicgames. html>}</while>对于网页的控制当然也可以诸如程序创建(create)、框架创建等各种程序动作为 发生。这种在网页内部嵌入逻辑控制语句的方法将为网页带来更多复杂的应用。这也会 对网页文件解析器(如IE、Mozilla等)提出更高的要求，并且会使网页的结构变得更加复 杂。但确确实实给用户带来很多不一样的网页浏览感受。需要注意的是在网页中加入逻辑控制语句的方法是一种区别现有网页表达的技 术，可能会有多种多样的嵌入方式以及各种各样的嵌入表达，例如，可能会出现多种控制关 键字(前面只列举了 if、while等少量关键字)，可能会有多种的语言单位的标记(例如，语 言结束标记，分割语言罗的标记等)，可能会在不同的位置插入控制关键字。所有以上的变 化均是在本发明的所考虑的范围之内，也均在本发明的保护范围之中。本发明中的控制关 键字和语义逻辑的分割都可以参考C语言或其它程序语言的控制关键字和语义划分的方 法。对于加入了程序控制结构的网页，需要专门的编译器，可以采用类似C语言的编译器， 整个编译文件，也可以采用Matlab的对M语言的编译器，对语言采用逐行编译的方法。除了可以在网页文件中加入语言控制逻辑结构，也可以在网页文件对应的描述文 件(例如本发明中的功能描述文件)中使用。但是使用的语法结构、关键字种类、语义逻辑 划分等都和把控制逻辑直接加入网页文件的方法类似。4、形成新的辅助信息描述文件，即采用内容和控制分离的方法来实现对网页的 控制。以前由于网页内容十分简单，因此一些小的控制直接可以在网页内部完成，采用 VBScript、JavaScript, Perl等脚本语言来控制网页内的对象。随着网页功能越来越复杂 还将控制和内容放在一起已经不是很好的选择了。还有一些做法是利用Java等语言的远 程调用来实现一些功能，但是这也给使用和程序处理带来了很大难度。随着DOM(Document Object Model，文件目标模型)技术和 Ajax(Asynchronous JavaScript and XML)等新技 术的出现和发展，使网页的脚本HTML变的越来越复杂。本发明为网页引入了一种新的文件
11格式，描述文件(profile)，以辅助信息描述文件为例，如果通过对网页进行处理生成辅助 信息描述文件，则可以很好地支持包括取回和播放辅助信息等功能。需要指出的是，辅助信 息描述文件实际上是功能描述文件的一种。描述文件通常和网页是一一对应的，在一些特 殊情况，如为不同的用户使用不同描述文件的时候，描述文件和网页的关系也可以是多个 描述文件对应同一个网页。为了能很好的生成功能描述文件，生成和功能描述文件对应的 内容描述文件往往也变得必不可少。这种概念和Web 3.0，即基于语义(semantic)的Web， 有很大的相似之处，也是对其的补充和发展。对于语义的描述可以生成内容描述文件，生成的方法可以如下构建一个带有矢量语义的关键字数据库，如，可口可乐>饮料>食物等，对于每一 个关键字，都可以存在一个这样的矢量语义指向这个关键字，这种做法类似于搜索引擎对 搜索关键字分类的处理方法，这搜索引擎包含google、百度等。构建好这样一个矢量语义的 数据库以后，在对网页进行分析，用过现有的DOM技术或类似技术，把网页解析为一棵对象 树，然后再把这棵对象树下面的节点对应到所述关键字数据库上，通过这种对应可以建立 一个这样的文件，包含网页中每一个对象数据，以及所述对象数据调用句柄或对象ID，以及 对应的有关关键字描述。这个文件就叫做内容描述文件，该文件还可以包含一些关于本网 页的基本内容，如URL、时间信息等。分析网页并把网页元素对象化的方法除了 DOM方法之外，还有很多。在本专利中 只要能够将网页中显示的文字信息抽取出来并对象化就可以了。对于其它多媒体信息(例 如视频、声音、图像等)对象化方法以及加入逻辑控制的方法和文字相同。以上1-4方法 都适用于视频、声音、图像等。例如，对于3方法中的例子<if><a href = http://A. html>2008年8月8日将在北京举办第29届奥运会开 幕式</a>{<ahref=http: /V2008. html>
<ahref=http:/Vbei jing. html>
<ahref=http:/VOlympicgames. html>}</if>如果A. html被替换成了 A. mp3 ( —种语音压缩格式)，或2008. html被替换成 2008. jpg，方法3同样使用，该例子可重写为<if><a href = http://A.mp3>2008年8月8日将在北京举办第29届奥运会开幕 式 </a>{<ahref=http://2008. jpg>
<ahref=http:// bei jing. html>
<ahref=http://Olympicgames. html>}</if>由此可见，本发明对网页源文件中控制或编辑的对象以及辅助信息的内容，均包含所有媒体可是，例如，视频、音频、图像、文字等。如图9所示，为分析网页内容并形成一棵树的示意图。现有技术通常通过DOM来分 析网页并生成一棵树。DOM通过解析HTML或XML文档，为XML文档在逻辑上建立一个树模 型，树的节点是一个个的对象。这样通过操作这棵树和这些对象就可以完成对HTML或XML 文档的操作，为处理文档的所有方面提供了一个很好的概念性框架。也为后来生成内容描 述文件和/或功能描述文件做了前期准备。如下HTML文档<html><head><title> 题目 A</title></head><body><a href =，，http ://···”> 链接 A</a>
<a href =，，http ://···”> 链接 B</a><tr><td>
内容 A</p></td><td>
内容 B</p></td><td>
内容 C</p></td></tr>
内容 D</p></body></html>DOM的结构表示如图9所示。每一个HTML文档都可以变成这样的一棵树。而且为 了便于控制，每一个元素节点可以分配一个ID或一个名称，这样便于在进一步处理时调用 元素本身。910为HTML文档，根元素就是<html>，这样一步一步就形成了图9的样子。由于 DOM “一切都是节点(everything-is-a-node) ”，树的每个文档(Document)、 元素(Element)、文本(Text)、属性(Attr)和注释(Comment)都是DOM节点(Node)。常见 的基本节点类型文档、元素、属性、文本和注释XML中共有12种节点类型，其中最常见的节点类型有5种元素元素是XML的基本组成单元，描述XML的基本信息，在图9中有根元素920、 头元素930、文件体元素940、题目元素950、链接元素960、标题元素970、表格元素980、表 格项元素986、正文元素987。属性属性节点包含关于元素节点的信息，通常包含在元素里面，描述元素的属性，图9中有962超链接属性和985表格属性。文本包含许多文本信息或者只是空白，图9中有951、961、962、971、981、982、 983、984都是文本。并且为了方便表示，把所有的文本标记在900文本框内，这样做也可以 方便关键字匹配模块整体进行处理。文档文档节点是整个文档中所有其它节点的父节点。注释注释是对相关的信息进行描述、注释。为能方便快捷地控制各个元素(节点)，为每一个元素节点都可以分配一个ID号 或一个名字，这样就不用在操作的时候遍历整棵树了，也为以后生成内容描述文件或功能 描述文件带来了便利。图10为发明中被动式生成内容描述文件和功能描述文件示意图，就使用不同的 ID号来表示不同的元素，如，题目元素950用IDl来表示，由于对应不同的文本961和962， 链接元素960用ID2、ID3表示，标题元素970用ID4表示，同理三个正文元素987对应三个 不同的文本，用ID5、ID6、ID7表示，最后一个正文元素987用ID8表示。用900表示从网页 文件中抽象出来的所有文本内容，把这些文本内容输入到关键字匹配模块中150中，生成 所述网页(HTML文件)的内容描述文件1000。这里的关键字匹配模块，虽然也会维护一个 关键字数据库，但是不一定同时具有辅助信息的链接地址。这样生成的内容描述文件1000 里面可能只包含一些关键字信息和网页基本信息。内容描述文件1000包含以下几部分中 至少一部分1、指定网页元素的ID号或名称，方便再次处理或在用户端调用各种元素，这要求 在解析网页的时候要采用统一的方法来对网页元素编号，分配统一的ID或一致的名称；2、ID或名称对应的关键字，如，IDl对应关键字“北京”，ID2对应关键字“奥运” 等；3、网页的基本信息，比如网页的地址http://...，网页创建时间，网页适合对象， 网页发布的信息类型，以及一些网页的meta date等。这些信息对用户了解网页信息非常 有用，也可以方便对网页进行再次处理。基本信息中网页适合对象(该信息也可以放入功 能描述文件，但是多数时候是放在内容描述文件中)，为了有针对的投放用户或者限制某些 用户浏览该网页。例如，并不是所有网页都适合儿童观看，在一些网页的内容描述文件中加 入网页用户的信息或限制信息，可以防止一些网络不健康信息四处传播。这样也可以为网 页寻找到更适合的浏览人群。这需要浏览器能够确定用户身份，如果以后每个人都有自己 的浏览器，则这种身份确定将变为可能。如图12所示，内容描述文件1000中含有网页适合 对象，标明了该网页适合年龄超过16周岁的用户，当个性化客户端需要主动获取该网页内 容的时候，有以下几种方式进行判断该网页是否适合该用户1、用户获得内容描述文件，发现网页适合对象为16岁以上，个性化客户端111发 现自己的用户信息不满足以上条件，则停止网页的请求过程；2、用户获取内容描述文件的限制信息，比如大于16周岁，个性化客户端111发现 自己的用户信息不满足以上条件，则停止网页请求过程；3、个性化客户端111向网站首先发送用户信息或加密的用户信息，网站发现个性 化客户端111的用户信息中年龄为10岁和用户所请求网页的内容描述文件中的网页适合 对象条件不相满足，则停止网页的请求过程。
当然关键字匹配模块，也可以包含辅助信息的链接地址，并且还可以为网页(HTML 或XML文件)定义一些操作逻辑，增加网页自身的功能。这样就可以生成功能描述文件 2000。这一个过程也可以先生成内容描述文件1000，然后再通过其它功能模块处理内容描 述文件1000，以生成功能描述文件2000。功能描述文件通常包含以下几部分中至少一部分1、指定网页元素的ID号或名称，方便再次处理或在用户端调用各种元素，这要求 在解析网页的时候要采用统一的方法来对网页元素编号，分配统一的ID或一致的名称；2、网页的基本信息，比如网页的地址http://...，网页创建时间，网页适合对象， 网页发布的信息类型，以及一些网页的meta date等等。这些信息对用户了解网页信息非 常有用，也可以方便对网页进行再次处理。3、操作逻辑，即用户(客户端)在使用并浏览网页时，会主动或被动的执行这些操 作逻辑。所述主动执行是指，不需要用户操作，自动按照操作逻辑执行某些具体的程序动 作，如，打开/播放/关闭辅助信息、打开/关闭新的网页、增加/删除网页中的对象等；所 述被动执行是指，需要用户操作，并通过用户的操作采用激活并执行的操作逻辑，如，用户 在移动鼠标、或点击网页时的一些操作逻辑，这些操作逻辑也包括打开/播放/关闭辅助信 息、打开/关闭新的网页、增加/删除网页中的对象等。如图10中的功能描述文件2000中 的记录“IDl :http://beijing. html :click :new window，，，表示 ID 号为 IDl 的元素(题目 元素)在被点击(click)之后，链接到“http://beijing.html”，并把获得的网页在新的窗 Π (new window)内打开；同样，记录"ID4 :http://pingpang. jpg :create :beside，，,表示 ID号为ID4的元素在被创建“create”以后，就链接到“http//pingpang. jpg”，并把获得 的文件在原来网页的两边空白处进行播放；同样，记录“ID5 :http://bootball. swf :mouse on :new layer”，表示当鼠标运动至Ij ID号为ID5的元素之上时，就取回“http://bootball. swf”，并在创建的新层中进行播放。操作逻辑可以多种多样，有时候可以根据实际需要采用 更为复杂的操作逻辑，这也需要更好的功能描述文件解析器的支持。例如，根据一些复杂的 操作逻辑，可能存在条件逻辑、并发逻辑、选择逻辑等高级语言中的逻辑，这个时候可以采 用类似高级语言的方法在功能描述文件2000中加入if(then)语句、while语句、switch 语句、for语句等比较复杂的逻辑控制结构，操作逻辑描述也可以使用现有的计算机编程语 言，例如C、C++、Java, C#或任何一种脚本语言。在图10中存在的两种新的文件结构，内容描述文件1000和功能描述文件2000， 都是为了更好的发挥网页功能而设计的。内容描述文件1000的主要作用在于从语义 (semantic)的层面上了解网页的内容，而现有的HTML或XML文件多数是基于语法的结构来 描述网页的，也就是说现有的HTML或XML文件只能告诉浏览器怎么把文件显示出来，以及 文件内部的关系，而不能表示现有的HTML或XML文件里面到底都是些什么内容，或大概是 些什么内容。有了这样一个基于语义的描述文件，就可以很方便的对海量的网页数据进行 复杂的分类和处理了。而功能描述文件2000的主要作用则是描述网页在被用户(客户端) 使用的时候的一些主动或被动的操作逻辑，即为用户定制的一些动作和功能的描述，例如， 功能描述文件可以很好的完成为用户提供辅助信息的功能，但决不限于此功能。用户可以 通过随意点击网页上“天气”两个字而获得今天的天气情况，用户可以通过功能描述文件将 不认识的单词发送给更专业的网页进行翻译，用户可以把网页和本地的一些应用程序关联起来，一同完成一些复杂的功能，这些在以往看来非常麻烦的工作，通过功能描述文件可以 很容易的进行解决和完成。对于内容描述文件和功能描述文件的编码格式可以采用纯文本的字符方式、也可 以采用二进制格式。在内容描述文件和功能描述文件传输的过程中可以采用加密或不加密 的方式。如图11所示，为被动式的生成和使用功能描述文件的系统示意图，服务端170包 含网页文件4000、处理模块3000、由处理模块3000生成的内容描述文件1000以及由处理 模块3000生成功能描述文件。网页文件4000包含所有的类HTML或XML的脚本文件，首先 网页文件被送到处理模块3000，处理模块是一个抽象的模块感念，包含关键字匹配模块等 多种模块概念，其功能就是处理网页文件，生成功能描述文件2000或内容描述文件1000。 这里内容描述文件通常是不直接发给网页的最终浏览用户即客户端的，而只是作为一种对 所述网页文件进行处理的一种中间文件，一般存储在网站。通常情况下，只将网页文件4000 和功能描述文件2000发送到客户端，即用户。客户端的处理流程是这样的，客户端获取网 页文件和网页对应的功能描述文件(可以同时获得或有顺序获得)，客户端通过网页浏览 模块解析并打开网页，这个时候也会通过功能描述文件解析器解析所述的功能描述文件， 然后通过浏览器或外部程序来执行功能文件中的操作逻辑，也可以通过感知用户的动作来 激活各种操作逻辑，例如，伴随用户点击的动作可能激活了关于点击对象的ID对应的取回 某个广告信息的操作逻辑。功能描述文件可以由处理模块3000直接生成，也可以先由处理 模块生成内容描述文件1000，然后处理模块在处理内容描述文件1000，最后生成功能描述 文件2000。在客户端110，包含有网页浏览模块120和功能描述文件解析器2100，所述网页 浏览模块120可以解析并显示网页文件4000，所述功能描述文件解析器2100可以解析功能 描述文件，并配合网页浏览模块一起完成在功能描述文件中预定义的操作逻辑。这里功能 描述文件解析器2100可以是一个单独的软件或是一个浏览器中的插件，功能文件解析器 是一个抽象的能够解析功能描述文件的模块，可以是目前通用浏览器的软件功能升级，也 可以是一个新的软件模块。这里的功能描述文件可以采用类似脚本文件(如，JavaScript, XML)的语言和控 制结构，也可以采用类似的控制关键字。语言结构可以和在网页内直接插入逻辑控制语句 类似，不同的是，这里不需要再写出网页元素的内容，而是用该元素的ID表示就可以了，这 样会比较简单些。如已知<a href = http://A. html>2008年8月8日将在北京举办第29届奥运会开幕式
</a>元素的ID 是 790410这在网页中直接插入逻辑控制语句的结构<while> a href = http//A. html>2008 年 8 月 8 日将在北京举办第 29 届奥运 会开幕式</a> = click){<ahref=http/V2008.html〉
<ahref=http/Vbei jing. html>
<ahref=http/VOlympicgames. html>
}</while>可以转化成功能描述文件中的内容为<while>(ID (790410) = click){<ahref=http/V2008.html〉
<ahref=http/Vbei jing. html>
<ahref=http/VOlympicgames. html>}</while>需要注意的是在功能描述文件中的语言可能会有多种多样表达，例如，可能会出 现多种控制关键字(前面只列举了 if、while等少量关键字)，可能会有多种的语言单位的 标记(例如，语言结束标记，分割语言罗的标记等)。所有以上的变化均是在本发明的所考 虑的范围之内，也均在本发明的保护范围之中。本发明中的控制关键字和语义逻辑的分割 都可以参考C语言或其它程序语言的控制关键字和语义划分的方法。对于功能描述文件， 需要专门的编译器-功能描述文件解析器，可以采用类似C语言的编译器，整个编译文件， 也可以采用Matlab的对M语言的编译器，对语言采用逐行编译的方法。由于使用了内容描述文件1000和功能描述文件2000，使得网站一一网站之间，以 及网站一一个人一一网站之间，个人一一网站一一个人之间的数据自动交换成为了可能。 网站与网站间或网站与用户是按如下方式完成对网页数据的协同处理的首先一定有一方(网站或用户)生成网页文件，并且生成网页对应的内容描述文 件和/或功能描述文件，以下简称为生成方；一定还有一方(网站或用户)处理接收到的网 页文件，以及和网页文件对应的内容描述文件和/或功能描述文件，以下简称为处理方。然 后，处理方根据接收到功能描述文件中描述的操作逻辑来处理接收到的网页和/或网页对 应的内容描述文件，处理的方法包括修改数据、收集数据、生成报表、运算数据、分析数据、 按要求转发数据等各种操作。通过使用内容描述文件和功能描述文件，还可以衍生出大量的复杂应用。以下列举几个典型的应用来加以说明例1，网站和网站之间通过内容描述文件来进行数据交换。例如像google这样 的搜索引擎，明天需要用网络爬行机器人(crawler)搜索大量的复杂的网页进行分析，但 是如果有了内容描述文件以后，可能只需要获得各个网页内容描述文件来进行分析就可以 了。还有些时候不得不对一些网站的内容进行检索，如果检索并分析所有网页非常困难，则 可以考虑分析网站中网页对应的内容描述文件，这样会变得非常轻松。在搜索一个网站时， 可以为该网站建立一个网站树型索引，该树型索引按每个网页的URL层次关系建立，例如， www. baidu. com 为根节点，www. baidu. com/mp3 为根节点的一级子节点，而 www. baidu. com/ mp3/list为根节点的二级子节点。采用这种方式遍历所有网页的内容描述文件，就可以很 快的搜索整个网站的内容了。例2，用户在使用网站时，有时候也不得不处理一些网站数据，来加深对网站的理 解，这时可以采用网页的功能描述文件来实现个人和多个网站之间的数据交换。可以通过功能描述文件定义网页中内容和其它网站的接口，把某一些特点的数据导入一些功能描述 文件指定的网站，简单的例子是把一些特殊词汇直接导入大型的搜索或百科全书网站，例 如，在网页中看见“白垩纪”，可以通过鼠标操作(例如拖动或点击)，把“白垩纪”词条发送 到维基百科网站(www. Wikipedia. com)，然后自动取回“白垩纪”词条的意思并显示给用户。如图12所示，为本发明中被动式通过设定网页适合对象来投放网页的示意图。网 页描述文件(包括内容描述文件1000和功能描述文件2000)中都可以包含网页的基本信 息，以网页的内容描述文件为例，网页的基本信息包括网页的链接地址、创建时间、保存时 间、网页的信息类型(包括，网页内容分类，如娱乐、体育等)、网页语言(如中文、英文 等)、网页采用的字体(如GB2312等)、网页产生的地点(如地区名称或公司名称)、网页 投放地点(如地区等)、网页适合对象(如对网页使用对象的年龄、性别、情趣爱好等方 面的要求)。当然内容描述文件还应该包含网页内元素的名称或ID，以及名称或ID对应的 关键字信息。除了有网页描述文件还不能完成对网页的个性化投放，用户还需要一个个性 化的客户端111。个性化客户端是一个包含用户信息的网页接收浏览设备。所述用户信息 可以通过用户自己填写或个性化客户端通过其它方式自己收集，所述用户信息包括用户的 身份信息(用户的姓名、地址、性别、年龄、邮件地址、身份ID等)、用户的兴趣爱好(例如， 用户喜欢汽车、音乐、股票等)。个性化客户端不光可以判断一个网页是否适合该用户浏览， 还有一个重要用途就是根据用户信息中的兴趣爱好为浏览器推送个性化的广告信息，也可 以包括以下步骤网站获得个性化客户端的资料(包含用户信息中的兴趣爱好)，根据网站 资源和用户的兴趣爱好做匹配，为用户推送个性化的信息(包含广告信息)。网页适合对象的信息在现有的网页结构中也是一种空缺结构，因此这部分同样可 以被放入在现有的网页结构(如HTML文件)中，一般放在网页的头部<head>或meta date 中，这样用户个性化浏览器在解析HTML文件时，可以很快发现该网页是否适合该用户浏 览。该网页的结构也在本专利保护范围之内。本发明实施例所描述的技术可以用硬件、软件、或组合执行。如果用软件执 行，则该技术可以直接指包含程序代码的计算机可读介质，该程序代码在对视频序列进 行编码的设备中执行。在该种情况下，计算机可读介质可以包括RAM (Random Access Memory,随机存储器)、SDRAM(SynchronousDynamic RAM,同步动态随机存储器)、 ROM (Read Only Memory，只读存储器)、NVRAM (non-volatile RAM 非易失性随机存储器)、 EEPROM(ElectricalIy-Erasable Programmable Read-Only Memory,电可擦除只读存储 器)、FLASH(闪存)等。以上公开的仅为本发明的几个具体实施例，但是，本发明并非局限于此，任何本领 域的技术人员能思之的变化都应落入本发明的保护范围。
权利要求
一种为网页源文件中添加逻辑控制语句的方法，其特征在于，包括以下步骤打开网页源文件；设定网页的逻辑结构，在网页源文件中加入逻辑控制语句，并把带有逻辑控制语句的网页发给用户；用户端解析网页文件，并根据逻辑控制语句的触发条件，执行逻辑控制语句中定义的操作。
2.一种被动式的为网页生成网页内容描述文件的方法，其特征在于，包括以下步骤 获取网页内容源文件；把网页内显示的文本内容和关键字列表进行匹配，如果匹配成功则在所述内容描述文 件内保留所述匹配成功的关键字条目和网页内容的对应关系。
3.—种为网页选择或限制投放对象的方法，其特征在于，包括以下步骤 在网页源文件中或网页的描述文件中加入网页适合对象信息；用户在请求网页过程中，把用户本身的用户信息和所述网页适合对象信息进行比较， 如果所述用户信息满足网页适合对象信息的要求，则将网页投放给用户，其中，所述网页描 述文件包括网页的内容描述文件和功能描述文件中至少一种。
4.一种实现个性化网页浏览客户端的方法，其特征在于，包括以下步骤 网页浏览器获得用户信息；浏览器在浏览网页时，加载所述用户信息，并根据所述用户信息的内容和所述网页的 服务端进行交互。
5.如权利要求4所述实现个性化网页浏览客户端的方法，其特征在于，所述网页服务 端根据所述用户信息中的兴趣爱好向所述客户端推送广告信息。
6.一种被动式的生成网页功能描述文件的方法，其特征在于，包括以下步骤 获得网页的源文件或网页的内容描述文件；为相关的网页元素设置操作逻辑，并形成记录保存到功能描述文件中； 所述操作逻辑是所述网页元素在某种情况下，浏览器需要执行对应的操作。
7.一种被动式使用网页描述文件的系统，其特征在于，包括服务端和客户端，所述服务端具体包括处理模块，用于处理网页文件，并在服务端内生成网页的内容描 述文件和/或功能描述文件；所述客户端具体包括网页浏览模块和功能文件解析器， 所述网页浏览模块，用于解析并浏览网页源文件；所述功能描述文件解析器，用来解析功能描述文件，并且通过功能描述文件和网页浏 览模块一起完成功能描述文件中定义的操作逻辑；其中，所述操作逻辑是所述网页元素在某种情况下，浏览器需要执行对应的操作。
8.一种网站与网站或网站与用户的数据协同处理方法，其特征在于，包括以下步骤 处理方接收到来自生成方的网页文件，以及网页文件对应的功能描述文件和/或内容描述文件；处理方根据接收到功能描述文件中描述的操作逻辑来处理接收到的网页和/或网页 对应的内容描述文件；所述生成方为生成网页文件，并且生成网页对应的内容描述文件和/或功能描述文件的一方；所述处理方为处理接收到的网页文件，以及和网页文件对应的内容描述文件 和/或功能描述文件的一方。
全文摘要
本发明公开了一种应用网页语义的方法和系统，该方案的主要用途之一就是提取网页中的语义内容，并加以分析和利用，例如可以通过语义的提取为网页加上与网页内容相关的广告。有被动式和主动式两种方法分析网页语义。主动式是在客户端，即网页浏览端，运行一个关键字匹配模块，分析并通过指定模式寻找网页中存在的关键字，当发现匹配的关键字时，则向服务端发起辅助信息请求，通常是广告信息请求，获得广告信息，并在适当的地方播放。被动式则是把网页进行预先处理，形成网页的内容描述文件或功能描述文件，然后把功能描述文件和网页一起发送给客户端，客户端按预定义的操作逻辑执行。
文档编号G06F17/30GK101950289SQ20101022008
公开日2011年1月19日 申请日期2007年7月9日 优先权日2007年7月9日
发明者孟智平 申请人:孟智平