CN110069693A-用于确定目标页面的方法和装置-公开

约 17044 字大约 57 分钟

2025-07-31

用于确定目标页面的方法和装置

申请号：	CN201910352767.3
申请日：	20190429
申请（专利权）人：	[百度在线网络技术（北京）有限公司]
地址：	北京市海淀区上地十街10号百度大厦三层
发明人：	[苏晓东, 刘广, 董晓康, 耿志峰, 杜昆, 杨皓, 段海新]
主分类号：	G06F16/953
公开（公告）号：	CN110069693A
公开（公告）日：	20190730
代理机构：	北京英赛嘉华知识产权代理有限责任公司
代理人：	[王达佐, 马晓亚]

（19）中华人民共和国国家知识产权局

	（12）发明专利申请
（10）申请公布号 CN110069693A<br/>（45）申请公布日 20190730

（21）申请号 CN201910352767.3<br/> <br/>（22）申请日 20190429<br/> <br/>（71）申请人 [百度在线网络技术（北京）有限公司]<br/> <br/>地址北京市海淀区上地十街10号百度大厦三层<br/> <br/>（72）发明人 [苏晓东, 刘广, 董晓康, 耿志峰, 杜昆, 杨皓, 段海新]<br/> <br/>（74）专利代理机构北京英赛嘉华知识产权代理有限责任公司<br/> <br/> 代理人 [王达佐, 马晓亚]
（54）发明名称<br/> 用于确定目标页面的方法和装置	<br/>
（57）摘要<br/> 本申请实施例公开了用于确定目标页面的方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：基于待检测页面集中的页面的域名，从待检测页面集中提取出满足预设条件的候选待检测页面，并添加至候选待检测页面队列；对候选待检测页面队列中的候选待检测页面执行查找目标页面的操作，查找目标页面的操作包括：对候选待检测页面进行类别判定，确定预设类别的候选待检测页面为目标页面，从目标页面的域名中提取出对应的一级域名，基于目标页面对应的一级域名爬取目标页面的关联页面，响应于确定目标页面的关联页面不在候选待检测页面队列中，将目标页面的关联页面添加至候选待检测页面队列中。该实施方式提升了目标页面的查找效率。

（21）申请号 CN201910352767.3 （22）申请日 20190429 （71）申请人 [百度在线网络技术（北京）有限公司] 地址北京市海淀区上地十街10号百度大厦三层 **（72）发明人 [苏晓东, 刘广, 董晓康, 耿志峰, 杜昆, 杨皓, 段海新]   （74）专利代理机构 北京英赛嘉华知识产权代理有限责任公司    ****代理人 **[王达佐, 马晓亚]

（54）发明名称 ** **用于确定目标页面的方法和装置

（57）摘要 本申请实施例公开了用于确定目标页面的方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：基于待检测页面集中的页面的域名，从待检测页面集中提取出满足预设条件的候选待检测页面，并添加至候选待检测页面队列；对候选待检测页面队列中的候选待检测页面执行查找目标页面的操作，查找目标页面的操作包括：对候选待检测页面进行类别判定，确定预设类别的候选待检测页面为目标页面，从目标页面的域名中提取出对应的一级域名，基于目标页面对应的一级域名爬取目标页面的关联页面，响应于确定目标页面的关联页面不在候选待检测页面队列中，将目标页面的关联页面添加至候选待检测页面队列中。该实施方式提升了目标页面的查找效率。

** **

权利要求书

1.一种用于确定目标页面的方法，包括：基于待检测页面集中的页面的域名，从所述待检测页面集中提取出满足预设条件的候选待检测页面，并添加至候选待检测页面队列；对所述候选待检测页面队列中的候选待检测页面执行查找目标页面的操作，所述查找目标页面的操作包括：对所述候选待检测页面进行类别判定，确定预设类别的候选待检测页面为目标页面，从目标页面的域名中提取出对应的一级域名，基于所述目标页面对应的一级域名爬取所述目标页面的关联页面，响应于确定所述目标页面的关联页面不在所述候选待检测页面队列中，将所述目标页面的关联页面添加至所述候选待检测页面队列中，以对所述目标页面的关联页面执行所述查找目标页面的操作。 2.根据权利要求1所述的方法，其中，所述预设条件包括以下至少一项：页面的域名不在预设的域名白名单中；页面的域名的困惑度大于预设的困惑度阈值；页面不属于所述待检测页面集与历史待检测页面集的交集，所述历史待检测页面集的收集时间早于所述待检测页面集的收集时间。 3.根据权利要求1所述的方法，其中，所述对所述候选待检测页面进行类别判定，包括：基于所述候选待检测页面的域名随机生成至少两个子域名；获取所述至少两个子域名对应的站点的网页内容，抽取获取到的网页内容的特征；响应于确定所述至少两个子域名对应的站点的网页内容的特征之间的差异在预设的差异区间内，确定所述候选待检测页面的类别为预设类别。 4.根据权利要求1所述的方法，其中，所述待检测页面队列包括分布式待检测页面队列；以及所述对所述候选待检测页面队列中的候选待检测页面执行查找目标页面的操作，包括：采用多个进程分别对所述分布式候选待检测页面队列中的候选待检测页面执行查找目标页面的操作。 5.根据权利要求1所述的方法，其中，所述方法还包括：将目标页面存储至数据库。 6.根据权利要求1-5任一项所述的方法，其中，所述方法还包括：对查找到的目标页面进行屏蔽处理。 7.根据权利要求6所述的方法，其中，所述对查找到的目标页面进行屏蔽处理，包括以下至少一项：将所述目标页面的统一资源定位符添加至搜索引擎爬虫程序的屏蔽页面列表中；在搜索引擎的索引库中删除所述目标页面的索引；响应于检测到搜索结果中的页面包含所述目标页面，向发出搜索请求的客户端推送风险提示信息。 8.一种用于确定目标页面的装置，包括：提取单元，被配置为基于待检测页面集中的页面的域名，从所述待检测页面集中提取出满足预设条件的候选待检测页面，并添加至候选待检测页面队列；查找单元，被配置为对所述候选待检测页面队列中的候选待检测页面执行查找目标页面的操作，所述查找目标页面的操作包括：对所述候选待检测页面进行类别判定，确定预设类别的候选待检测页面为目标页面，从目标页面的域名中提取出对应的一级域名，基于所述目标页面对应的一级域名爬取所述目标页面的关联页面，响应于确定所述目标页面的关联页面不在所述候选待检测页面队列中，将所述目标页面的关联页面添加至所述候选待检测页面队列中，以对所述目标页面的关联页面执行所述查找目标页面的操作。 9.根据权利要求8所述的装置，其中，所述预设条件包括以下至少一项：页面的域名不在预设的域名白名单中；页面的域名的困惑度大于预设的困惑度阈值；页面不属于所述待检测页面集与历史待检测页面集的交集，所述历史待检测页面集的收集时间早于所述待检测页面集的收集时间。 10.根据权利要求8所述的装置，其中，所述查找单元进一步被配置为按照如下方式对所述候选待检测页面进行类别判定：基于所述候选待检测页面的域名随机生成至少两个子域名；获取所述至少两个子域名对应的站点的网页内容，抽取获取到的网页内容的特征；响应于确定所述至少两个子域名对应的站点的网页内容的特征之间的差异在预设的差异区间内，确定所述候选待检测页面的类别为预设类别。 11.根据权利要求8所述的装置，其中，所述待检测页面队列包括分布式待检测页面队列；以及所述查找单元进一步被配置为：采用多个进程分别对所述分布式候选待检测页面队列中的候选待检测页面执行查找目标页面的操作。 12.根据权利要求8所述的装置，其中，所述装置还包括：存储单元，被配置为将目标页面存储至数据库。 13.根据权利要求8-12任一项所述的装置，其中，所述装置还包括：屏蔽单元，被配置为对查找到的目标页面进行屏蔽处理。 14.根据权利要求13所述的装置，其中，所述屏蔽单元进一步被配置为按照以下至少一种方式对查找到的目标页面进行屏蔽处理：将所述目标页面的统一资源定位符添加至搜索引擎爬虫程序的屏蔽页面列表中；在搜索引擎的索引库中删除所述目标页面的索引；响应于检测到搜索结果中的页面包含所述目标页面，向发出搜索请求的客户端推送风险提示信息。 15.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。 16.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。

说明书

用于确定目标页面的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及网络信息处理技术领域，尤其涉及用于确定目标页面的方法和装置。

背景技术

搜索引擎是从互联网上搜集信息并为用户提供搜索服务的系统，SEO(SearchEngine Optimization，搜索引擎优化)是利用搜索引擎的规则提高网站在有关搜索引擎内的自然排名的技术。

目前出现了一些采用诸如垃圾链接、隐藏网页等作弊手段提升网站排名的手段。例如通过自动生成大量互联链接的包含推广内容的页面来使搜索引擎不断爬取这些页面的内容的手段。这些网站通常不能提供满足用户搜索需求的内容，但会以较高的排名被呈现在搜索结果中。

发明内容

本申请实施例提出了用于确定目标页面的方法、装置、电子设备和计算机可读介质。

第一方面，本公开的实施例提供了一种用于确定目标页面的方法，包括：基于待检测页面集中的页面的域名，从待检测页面集中提取出满足预设条件的候选待检测页面，并添加至候选待检测页面队列；对候选待检测页面队列中的候选待检测页面执行查找目标页面的操作，查找目标页面的操作包括：对候选待检测页面进行类别判定，确定预设类别的候选待检测页面为目标页面，从目标页面的域名中提取出对应的一级域名，基于目标页面对应的一级域名爬取目标页面的关联页面，响应于确定目标页面的关联页面不在候选待检测页面队列中，将目标页面的关联页面添加至候选待检测页面队列中，以对目标页面的关联页面执行查找目标页面的操作。

在一些实施例中，上述预设条件包括以下至少一项：页面的域名不在预设的域名白名单中；页面的域名的困惑度大于预设的困惑度阈值；页面不属于待检测页面集与历史待检测页面集的交集，历史待检测页面集的收集时间早于待检测页面集的收集时间。

在一些实施例中，上述对候选待检测页面进行类别判定，包括：基于候选待检测页面的域名随机生成至少两个子域名；获取至少两个子域名对应的站点的网页内容，抽取获取到的网页内容的特征；响应于确定至少两个子域名对应的站点的网页内容的特征之间的差异在预设的差异区间内，确定候选待检测页面的类别为预设类别。

在一些实施例中，上述待检测页面队列包括分布式待检测页面队列；以及上述对候选待检测页面队列中的候选待检测页面执行查找目标页面的操作，包括：采用多个进程分别对分布式候选待检测页面队列中的候选待检测页面执行查找目标页面的操作。

在一些实施例中，上述方法还包括：将目标页面存储至数据库。

在一些实施例中，上述方法还包括：对查找到的目标页面进行屏蔽处理。

在一些实施例中，上述对查找到的目标页面进行屏蔽处理，包括以下至少一项：将目标页面的统一资源定位符添加至搜索引擎爬虫程序的屏蔽页面列表中；在搜索引擎的索引库中删除目标页面的索引；响应于检测到搜索结果中的页面包含目标页面，向发出搜索请求的客户端推送风险提示信息。

第二方面，本公开的实施例提供了一种用于确定目标页面的装置，包括：提取单元，被配置为基于待检测页面集中的页面的域名，从待检测页面集中提取出满足预设条件的候选待检测页面，并添加至候选待检测页面队列；查找单元，被配置为对候选待检测页面队列中的候选待检测页面执行查找目标页面的操作，查找目标页面的操作包括：对候选待检测页面进行类别判定，确定预设类别的候选待检测页面为目标页面，从目标页面的域名中提取出对应的一级域名，基于目标页面对应的一级域名爬取目标页面的关联页面，响应于确定目标页面的关联页面不在候选待检测页面队列中，将目标页面的关联页面添加至候选待检测页面队列中，以对目标页面的关联页面执行查找目标页面的操作。

在一些实施例中，上述查找单元进一步被配置为按照如下方式对候选待检测页面进行类别判定：基于候选待检测页面的域名随机生成至少两个子域名；获取至少两个子域名对应的站点的网页内容，抽取获取到的网页内容的特征；响应于确定至少两个子域名对应的站点的网页内容的特征之间的差异在预设的差异区间内，确定候选待检测页面的类别为预设类别。

在一些实施例中，上述待检测页面队列包括分布式待检测页面队列；以及上述查找单元进一步被配置为：采用多个进程分别对分布式候选待检测页面队列中的候选待检测页面执行查找目标页面的操作。

在一些实施例中，上述装置还包括：存储单元，被配置为将目标页面存储至数据库。

在一些实施例中，上述装置还包括：屏蔽单元，被配置为对查找到的目标页面进行屏蔽处理。

在一些实施例中，上述屏蔽单元进一步被配置为按照以下至少一种方式对查找到的目标页面进行屏蔽处理：将目标页面的统一资源定位符添加至搜索引擎爬虫程序的屏蔽页面列表中；在搜索引擎的索引库中删除目标页面的索引；响应于检测到搜索结果中的页面包含目标页面，向发出搜索请求的客户端推送风险提示信息。

第三方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面提供的用于确定目标页面的方法。

第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现第一方面提供的用于确定目标页面的方法。

本公开的上述实施例的用于确定目标页面的方法和装置、电子设备及计算机可读介质，通过基于待检测页面集中的页面的域名，从待检测页面集中提取出满足预设条件的候选待检测页面，并添加至候选待检测页面队列，对候选待检测页面队列中的候选待检测页面执行查找目标页面的操作，查找目标页面的操作包括：对候选待检测页面进行类别判定，确定预设类别的候选待检测页面为目标页面，从目标页面的域名中提取出对应的一级域名，基于目标页面对应的一级域名爬取目标页面的关联页面，响应于确定目标页面的关联页面不在候选待检测页面队列中，将目标页面的关联页面添加至候选待检测页面队列中，以对目标页面的关联页面执行查找目标页面的操作，实现了利用有限的搜索引擎资源发现基于域名关联的更多的预设类别的页面，提升了预设类别页面的查找效率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于确定目标页面的方法的一个实施例的流程图；

图3是根据本申请的用于确定目标页面的方法的另一个实施例的流程图；

图4是图3所示的用于确定目标页面的方法的原理架构示意图；

图5是根据本申请的用于确定目标页面的方法的又一个实施例的流程图；

图6是本申请的用于确定目标页面的装置的一个实施例的结构示意图；

图7是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于确定目标页面的方法或用于确定目标页面的装置的示例性系统架构。

如图1所示，系统架构100中可以包括客户端101、网络102、搜索引擎服务器103、至少一个网站服务器104。网络102用以在客户端101、搜索引擎服务器103和网站服务器104之间提供通信链路的介质。网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

客户端101可以是具有用户接口的客户端，用户可以通过客户端101访问网络资源。客户端101具体可以实现为各种电子设备，包括但不限于智能手机、笔记本电脑、台式电脑、平板电脑、智能手表，等等。

搜索引擎服务器103是为用于提供检索服务的服务器，搜索引擎服务器103上运行用于从互联网上收集、整理信息的搜索引擎。

网站服务器104可以是互联网上提供各种资源信息的服务器，不同的网站服务器104可以提供不同类别或不同来源的资源信息。例如，网站服务器104可以是视频资源服务器、企业网站的服务器、知识分享类网站的服务器，等等。

客户端101可以通过网络102与搜索引擎服务器103建立连接。客户端101上可以安装有浏览器，用户可以通过客户端101发起搜索请求。搜索引擎服务器103接收到搜索请求后，利用爬虫程序通过网络102抓取各网站服务器104的内容，并进行分析处理，查找出匹配搜索请求的网站，将查找出的网站的信息作为搜索结果反馈至客户端101。客户端101可以接收搜索引擎服务器103返回的搜索结果。

在本公开实施例的应用场景中，搜索引擎服务器103可以爬取网站服务器104提供的页面，检测网站服务器104提供的页面是否为预设类别的页面，获得预设类别的目标页面的检测结果。

需要说明的是，搜索引擎服务器103、网站服务器104可以是硬件，也可以是软件。当搜索引擎服务器103、网站服务器104为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当搜索引擎服务器103、网站服务器104为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开的实施例所提供的用于确定目标页面的方法可以由搜索引擎服务器103执行，相应地，用于确定目标页面的装置可以设置于搜索引擎服务器103。

应该理解，图1中的客户端、网络、搜索引擎服务器、网站服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的客户端、网络、搜索引擎服务器、网站服务器。

继续参考图2，其示出了根据本申请的用于确定目标页面的方法的一个实施例的流程200。该用于确定目标页面的方法，包括以下步骤：

步骤201，基于待检测页面集中的页面的域名，从待检测页面集中提取出满足预设条件的候选待检测页面，并添加至候选待检测页面队列。

在本实施例中，用于确定目标页面的方法的执行主体可以获取待检测页面集。待检测页面集可以是从互联网收集的页面的集合，例如可以是搜索引擎爬取的页面生成时间/更新时间在预设时间段(例如最近一周)内的页面的集合。在一些可选的实现方式中，待检测页面集中的页面还可以由上述执行主体从其他电子设备获取，例如上述执行主体可以接收其他电子设备上报的问题页面。

可以基于各页面的域名，判断待检测页面集中的页面是否满足预设条件。若页面满足预设条件，则可以将页面添加至候选待检测页面队列。

在这里，对页面进行检测的目的是查找出目标页面。目标页面可以是通过针对搜索引擎的网页爬取规则、通过作弊手段获得较高的搜索排名的页面。具体地，目标页面可以是具有特定的SEO行为特征的页面，更具体地，目标页面可以是具有黑帽SEO行为的页面，例如蜘蛛池页面。

黑帽SEO是使用垃圾链接、隐藏网页、关键词堆砌等作弊手段提升网页排名的搜索引擎优化行为。其中，蜘蛛池是通过自动生成大量相互链接的页面，用海量数据的更新吸引搜索引擎的爬虫抓取页面，进而提升页面的搜索排名的手段。蜘蛛池中相互链接的页面中有价值的内容较少，但是搜索引擎爬取到蜘蛛池页面之后容易陷入大量低价值页面的爬取中，浪费大量的资源。

在本实施例的一些可选的实现方式中，可以基于目标页面所具有的特征，例如目标页面的SEO行为特征，确定上述预设条件。例如目标页面为蜘蛛池页面，其具有与大量页面相互链接的特征，相互链接的页面的域名之间具有相似性，可以基于域名的相似性特征设定上述预设条件。然后将待检测页面集中满足上述预设条件的页面作为候选待检测页面添加至候选待检测页面队列中。

在本实施例的一些可选的实现方式中，可以获取可信任页面的域名列表，将除了可信任页面之外的其他页面添加至候选待检测页面队列。则上述预设条件可以包括：页面的域名不在可信任域名列表中。

在待检测页面集中的页面数量较大的情况下，通过预设条件来筛选候选待检测页面，可以过滤掉大量不需要检测的页面，从而缩小需要检测的页面的数量。

可选地，上述预设条件可以包括以下至少一项：页面的域名不在预设的域名白名单中；页面的域名的困惑度大于预设的困惑度阈值；页面不属于待检测页面集与历史待检测页面集的交集，历史待检测页面集的收集时间早于上述待检测页面集的收集时间。

预设的域名白名单可以是基于搜索引擎获取的访问次数超过阈值的网站的域名集合，和/或用户设置的可信任域名的集合。

在自然语言处理中，困惑度是用于描述一个句子中每个分词在句子中的概率分布的语言概率模型优劣程度的度量。页面的域名困惑度可以是表征域名的随机性程度的指标。域名的随机性越高，域名困惑度越大。

具体地，域名的困惑度可以按照如下公式(1)计算得出：

其中，U表示待检测页面的域名字符串；P(U)表示域名字符串U的困惑度；n为域名字符串U的长度，即域名字符串U包含的字符总数。P(ω 0 )是域名字符串U中第0个字符出现的概率，在这里，第0个字符是占位符，表示字符串的起始。P(ω i |U i )是在前缀U i 出现的情况下，第i个字符出现的概率，在这里，前缀U i 表示域名字符串U中由第0个字符到第i-1个字符组成的前缀字符串。P(ω i |ω i-1 )表示在第i-1个字符出现的情况下出现第i个字符的概率。

当页面的域名困惑度大于预设的困惑度阈值时，表明页面的域名的随机性较强。可以将域名的随机性较强的页面作为候选待检测页面添加至候选待检测页面队列中。由于通常蜘蛛池等具有搜索引擎优化作弊行为的页面的随机性较强，通过设置域名的困惑度阈值可以筛选出可能具有针对搜索引擎优化的作弊行为的页面。

历史待检测页面集可以是在收集当前的待检测页面集之前收集到的页面集。例如，搜索引擎可以以固定的时间周期进行待检测页面收集，并在收集之后根据待检测页面确定出目标页面。可以判断上述待检测页面集中的页面是否在当前的待检测页面集与历史待检测页面集的交集中，若是，则页面已在历史待检测页面集中被检测过，可以不针对其再次检测；若页面不属于当前的待检测页面集与历史待检测页面的交集，则可以确定待检测页面为新的页面，将其添加至候选待检测页面队列。这样，可以根据历史待检测页面集进行增量计算，只提取出近期新增的页面作为候选待检测页面。

可选地，还可以采用其他的页面过滤方法来设置上述预设条件，例如基于第三方搜索引擎或第三方页面分析服务提供的可信任域名列表或域名检测结果来设置上述预设条件，以将不可信任的页面从待检测页面集中提取出来。

步骤202，对候选待检测页面队列中的候选待检测页面执行查找目标页面的操作。

查找目标页面的操作包括：对候选待检测页面进行类别判定，确定预设类别的候选待检测页面为目标页面，从目标页面的域名中提取出对应的一级域名，基于目标页面对应的一级域名爬取目标页面的关联页面，响应于确定目标页面的关联页面不在候选待检测页面队列中，将目标页面的关联页面添加至候选待检测页面队列中，以对目标页面的关联页面执行查找目标页面的操作。

具体来说，对于候选待检测页面队列中的每个候选待检测页面，可以首先判定该候选待检测页面的类别。在这里，页面的类别可以根据期望查找出的目标页面的特征进行划分，可以将具有目标页面的特征的页面划为一类，不具有目标页面的特征的划为另外一类。具体地，当目标页面是具有通过异常的作弊手段提升搜索排名的行为的页面时，页面的类别可以表征页面是否具有通过异常的作弊手段提升搜索排名的行为，可以包括作弊页面和正常页面。可选地，当目标页面是蜘蛛池页面时，页面的类别可以表征页面是否为蜘蛛池页面，包括蜘蛛池页面和非蜘蛛池页面。

在本实施例中，可以提取候选待检测页面内容的特征，和/或提取待检测页面的链接行为特征。链接行为特征可以通过执行爬取候选待检测页面的操作并捕获爬虫在爬取候选待检测页面时的行为特征来获取。然后基于提取出的特征确定候选待检测页面是否为预设类别的页面。在这里，预设类别可以是具有通过异常的作弊手段提升搜索排名的行为的页面的类别，或者进一步地，预设类别可以是蜘蛛池页面的类别。

可选地，可以按照如下方式对候选待检测页面进行类别判定：

首先基于候选待检测页面的域名随机生成至少两个子域名。随后获取至少两个子域名对应的站点的网页内容，抽取获取到的网页内容的特征。假设生成的两个子域名对应的站点分别为Pa、Pb，两个子域名对应的站点的网页内容的特征分别表示为LSet(Pa)和LSet(Pb)。然后可以计算上述至少两个子域名对应的站点的网页内容的特征之间的差异，例如采用公式(2)计算两个子域名对应的站点的网页内容的特征之间的差异diff：

其中，|LSet(Pa)-LSet(Pb)|表示两个集合LSet(Pa)和LSet(Pb)的差集的大小，即LSet(Pa)和LSet(Pb)的差集中的特征的数量；LSet(Pmin)为LSet(Pa)和LSet(Pb)中较小的集合；|LSet(Pmin)|为LSet(Pa)和LSet(Pb)中较小的集合的大小，即LSet(Pa)和LSet(Pb)中较小的集合中的特征的数量。

通过计算至少两个子域名对应的站点的网页内容的特征之间的差异，能够得出由候选待检测页面生成的两个子域名对应的站点之间的差异。之后，响应于确定至少两个子域名对应的站点的网页内容的特征之间的差异在预设的差异区间内，确定候选待检测页面的类别为预设类别。当由一个候选待检测页面生成的两个子域名对应的站点的网页内容之间的差异较小时，可以确定该待候选待检测页面的类别是预设类别。

可以将类别判定结果为预设类别的候选待检测页面为目标页面。然后，可以基于已经查找到的目标页面的域名进一步查找更多的预设类别的页面，来发现更多的目标页面。具体地，可以从已确定的目标页面的域名中提取出一级域名(即顶级域名)，然后根据该一级域名爬取相关的页面。可以解析爬取到的页面的URL(Uniform Resource Locator，统一资源定位符)，对该URL采用广度优先遍历算法爬取更多的相关页面，将爬取到的页面作为目标页面的关联页面。之后，可以判断目标页面的关联页面是否在上述候选待检测页面队列中，如果不在，可以将爬取到的目标页面的关联页面添加至候选待检测页面队列中，以通过对候选待检测页面队列执行查找目标页面的操作实现基于目标页面的关联页面继续查找新的目标页面。则在对候选待检测页面队列中的页面依次执行查找目标页面的操作过程中，通过不断地爬取关联页面作为候选待检测页面添加至候选待检测页面队列中，能够发现更多的目标页面。

上述步骤202通过基于目标页面的域名进行关联页面的爬取，并将爬取到的页面添加至候选待检测页面队列中进行类别判定以确定是否为目标页面，能够有效利用搜索引擎的资源高效地发现更多的目标页面，提升目标页面查找的效率。

本公开的上述实施例的用于确定目标页面的方法，通过基于待检测页面集中的页面的域名，从待检测页面集中提取出满足预设条件的候选待检测页面，并添加至候选待检测页面队列，对候选待检测页面队列中的候选待检测页面执行如下查找目标页面的操作：对候选待检测页面进行类别判定，确定预设类别的候选待检测页面为目标页面，从目标页面的域名中提取出对应的一级域名，基于目标页面对应的一级域名爬取目标页面的关联页面，响应于确定目标页面的关联页面不在候选待检测页面队列中，将目标页面的关联页面添加至候选待检测页面队列中，以对目标页面的关联页面执行查找目标页面的操作，实现了利用有限的搜索引擎资源发现基于域名关联的更多的预设类别的目标页面，提升了预设类别的目标页面的查找效率，能够应用于大规模的预设类别的页面查找中。

可选地，在确定出目标页面之后，上述用于确定目标页面的方法的流程200还可以包括：将目标页面存储至数据库。可以通过在数据库中保存目标页面的URL和/或目标页面的页面内容来记录目标页面，以在后续基于搜索引擎提供搜索服务时根据数据库保存的目标页面的URL和/或目标页面的页面内容修正目标页面的排名，或者在基于搜索引擎提供搜索服务时剔除数据库中保存的目标页面。

请参考图3，其示出了根据本申请的用于确定目标页面的方法的另一个实施例的流程图。如图3所示，用于确定目标页面的方法的流程300包括以下步骤：

步骤301，基于待检测页面集中的页面的域名，从待检测页面集中提取出满足预设条件的候选待检测页面，并添加至分布式待检测页面队列。

用于确定目标页面的方法的执行主体可以获取待检测页面集，待检测页面集可以是从互联网收集的页面的集合，例如可以是搜索引擎爬取的页面生成时间/更新时间在预设时间段(例如最近一周)内的页面的集合。在一些可选的实现方式中，待检测页面集中的页面还可以由上述执行主体从其他电子设备获取，例如可以接收其他电子设备上报的问题页面。

可以基于页面的域名，判断待检测页面集中的页面是否满足预设条件。若页面满足预设条件，则可以将页面添加至分布式候选待检测页面队列。

上述预设条件是用于对待检测页面集进行初步过滤的条件，可以是基于期望确定出的目标页面的特征设定的条件。例如，目标页面是蜘蛛池页面时，上述预设条件可以是根据域名间相似性的特征设定的。又例如，目标页面可以是病毒页面，则上述预设条件可以是根据病毒页面的特征设定的。

本实施例的步骤301中从待检测页面集中提取出满足预设条件的候选待检测页面的操作与前述实施例的步骤201中从待检测页面集中提取出满足预设条件的候选待检测页面的操作一致，此处不再赘述。

在本实施例中，候选待检测页面队列是分布式候选待检测页面队列。可以预先创建多个候选待检测页面队列，在确定待检测页面满足上述预设的条件时，可以将待检测页面添加至其中一个候选待检测页面队列。在这里，候选待检测队列可以是Kafka或redis等分布式队列。

步骤302，采用多个进程分别对分布式候选待检测页面队列中的候选待检测页面执行查找目标页面的操作。

可以采用多个进程分别对分布式待检测页面队列中的候选待检测页面进行类别判定。例如采用M个进程分别处理N个候选待检测页面队列，M，N为正整数，其中每个进程对至少一个候选待检测页面队列执行查找目标页面的操作，或者，可以采用多个进程对同一个候选待检测页面队列中的不同候选待检测页面队列执行查找目标页面的操作。进程与其处理的候选待检测页面队列之间的对应关系可以按照预先设定的资源调度策略来确定，此处不做特殊限定。每个进程在一次查找目标页面的操作中对一个候选待检测页面进行处理。这样，可以通过异步多进程的方式提升候选待检测页面队列的检测效率，进而提升目标页面的查找速度。

对候选待检测页面执行的查找目标页面的操作可以包括：对分布式待检测页面队列中的候选待检测页面进行类别判定，确定预设类别的候选待检测页面为目标页面，从目标页面的域名中提取出对应的一级域名，基于目标页面对应的一级域名爬取目标页面的关联页面，响应于确定目标页面的关联页面不在分布式候选待检测页面队列中，将目标页面的关联页面添加至分布式候选待检测页面队列中，以对目标页面的关联页面执行查找目标页面的操作。

本实施例中查找目标页面的操作与前述实施例的步骤202中查找目标页面的操作相同。步骤202中查找目标页面的具体实现方式也适用于本实施例的步骤302中查找目标页面的操作，此处不再赘述。

可选地，上述查找目标页面的操作中，在确定预设类别的候选待检测页面为目标页面后，针对目标页面提取一级域名，并基于一级域名爬取目标页面的关联页面的操作可以通过多个线程来执行，这样有助于进一步提升目标页面关联的页面的爬取效率，从而提升由目标页面发现关联的其他目标页面的速度。

本实施例的用于确定目标页面的方法的流程300，通过将候选待检测页面添加至分布式候选待检测页面队列，采用多进程分别对分布式候选待检测页面队列中的候选待检测页面队列执行目标页面的操作，能够有效提升目标页面的发现速度。

可选地，上述用于确定目标页面的方法的流程300还可以包括：将目标页面存储至数据库。这样，在搜索引擎提供搜索服务过程中爬取页面时，可以根据数据库存储的目标页面执行相应的过滤操作。

继续参考图4，其示出了图3所示的用于确定目标页面的方法的原理架构示意图。如图4所示，待检测页面集URLs首先输入至过滤器进行过滤，过滤器通过域名白名单、域名困惑度排除可信任的页面，并且基于缓存的历史待检测页面集提取出近期的增量页面作为候选待检测页面。候选待检测页面被分发至分布式候选待检测页面队列。然后多个目标页面查找进程(Checker)分别处理分布式候选待检测页面队列中的页面。每个目标页面查找进程对候选待检测页面进行类别判定后，利用多个爬取线程(Finder)对查找到的目标页面进行关联页面的爬取，并判断爬取到的关联页面是否已在分布式候选待检测页面队列中，如果爬取到的关联页面不在分布式候选待检测页面队列中，可以将其添加至分布式候选待检测页面队列中，并按照以上描述的方式继续查找目标页面。可以将查找到的目标页面同步至数据库中。

请参考图5，其示出了根据本申请的用于确定目标页面的方法的又一个实施例的流程图。如图5所示，用于确定目标页面的方法的流程500，包括以下步骤：

步骤501，基于待检测页面集中的页面的域名，从待检测页面集中提取出满足预设条件的候选待检测页面，并添加至候选待检测页面队列；

步骤502，对候选待检测页面队列中的候选待检测页面执行查找目标页面的操作。

本实施例的步骤501、步骤502分别与前述实施例的步骤201、步骤202一致，步骤501、步骤502的具体实现方式可以参考前述实施例中步骤201、步骤202的描述，此处不再赘述。

此外，可选地，候选待检测页面队列可以是分布式候选待检测页面队列。在执行步骤502中的查找目标页面的操作时，可以通过多个进程分别对分布式候选待检测页面队列中的候选待检测页面进行处理。

步骤503，对查找到的目标页面进行屏蔽处理。

在本实施例中，目标页面可以是针对搜索引擎的页面爬取策略和排名方式通过作弊手段获得较高的排名的页面，例如蜘蛛池页面。可以对查找到的目标页面进行屏蔽处理，从而避免目标页面影响搜索结果。具体来说，可以控制搜索引擎在爬取页面时跳过目标页面，或者在搜索结果中将目标页面滤除。

可选地，可以按照如下方式对查找到的目标页面进行屏蔽处理：将目标页面的统一资源定位符添加至搜索引擎爬虫程序的屏蔽页面列表中；在搜索引擎的索引库中删除目标页面的索引；响应于检测到搜索结果中的页面包含目标页面，向发出搜索请求的客户端推送风险提示信息。

上述屏蔽处理的方法中，在搜索引擎的爬虫程序爬取页面时，可以跳过其屏蔽页面列表中的页面。而在搜索引擎的索引库中删除目标页面的索引后，搜索引擎的爬虫程序无法爬取到被删除的索引指向的目标页面。

在搜索引擎的爬虫程序未对目标页面进行处理，且搜索结果中包含目标页面时，可以向发出搜索请求的客户端推送用于提示目标页面为具有风险页面的风险提示信息。客户端可以根据该风险提示信息确定是否向用户展示该页面。例如浏览器的插件可以根据该风险提示信息对页面内容进行过滤，或者对整个页面进行屏蔽。

可选地，在步骤502之后、步骤503之前，上述用于确定目标页面的方法的流程500还可以包括：将目标页面存储至数据库。可以通过在数据库中保存目标页面的URL和/或目标页面的页面内容来记录目标页面。这样，在步骤503中可以基于数据库存储的目标页面进行屏蔽处理。

本实施例的用于确定目标页面的方法，通过对目标页面进行屏蔽处理，能够有效、快速、全方位地阻断目标页面通过搜索引擎传播，降低对用户的搜索结果的影响。

进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种用于确定目标页面的装置的一个实施例，该装置实施例与图2、图3和图5所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的用于确定目标页面的装置600包括：提取单元601和查找单元602。其中，提取单元601可以被配置为基于待检测页面集中的页面的域名，从待检测页面集中提取出满足预设条件的候选待检测页面，并添加至候选待检测页面队列；查找单元602可以被配置为对候选待检测页面队列中的候选待检测页面执行查找目标页面的操作，查找目标页面的操作包括：对候选待检测页面进行类别判定，确定预设类别的候选待检测页面为目标页面，从目标页面的域名中提取出对应的一级域名，基于目标页面对应的一级域名爬取目标页面的关联页面，响应于确定目标页面的关联页面不在候选待检测页面队列中，将目标页面的关联页面添加至候选待检测页面队列中，以对目标页面的关联页面执行查找目标页面的操作。

在一些实施例中，上述查找单元602可以进一步被配置为按照如下方式对候选待检测页面进行类别判定：基于候选待检测页面的域名随机生成至少两个子域名；获取至少两个子域名对应的站点的网页内容，抽取获取到的网页内容的特征；响应于确定至少两个子域名对应的站点的网页内容的特征之间的差异在预设的差异区间内，确定候选待检测页面的类别为预设类别。

在一些实施例中，上述待检测页面队列包括分布式待检测页面队列；以及上述查找单元602可以进一步被配置为：采用多个进程分别对分布式候选待检测页面队列中的候选待检测页面执行查找目标页面的操作。

在一些实施例中，上述装置600还可以包括：存储单元，被配置为将目标页面存储至数据库。

在一些实施例中，上述装置600还可以包括：屏蔽单元，被配置为对查找到的目标页面进行屏蔽处理。

在一些实施例中，上述屏蔽单元可以进一步被配置为按照以下至少一种方式对查找到的目标页面进行屏蔽处理：将目标页面的统一资源定位符添加至搜索引擎爬虫程序的屏蔽页面列表中；在搜索引擎的索引库中删除目标页面的索引；响应于检测到搜索结果中的页面包含目标页面，向发出搜索请求的客户端推送风险提示信息。

应当理解，装置600中记载的诸单元与参考图2、图3和图5描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置600及其中包含的单元，在此不再赘述。

本申请上述实施例的用于确定目标页面的装置600，通过基于待检测页面集中的页面的域名，从待检测页面集中提取出满足预设条件的候选待检测页面，并添加至候选待检测页面队列，对候选待检测页面队列中的候选待检测页面执行如下查找目标页面的操作：对候选待检测页面进行类别判定，确定预设类别的候选待检测页面为目标页面，从目标页面的域名中提取出对应的一级域名，基于目标页面对应的一级域名爬取目标页面的关联页面，响应于确定目标页面的关联页面不在候选待检测页面队列中，将目标页面的关联页面添加至候选待检测页面队列中，实现了利用有限的搜索引擎资源发现基于域名关联的更多的预设类别的页面，提升了预设类别页面的检测效率。

下面参考图7，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的搜索引擎服务器)700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机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。而在本公开的实施例中，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，其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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。计算机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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：基于待检测页面集中的页面的域名，从待检测页面集中提取出满足预设条件的候选待检测页面，并添加至候选待检测页面队列；对候选待检测页面队列中的候选待检测页面执行查找目标页面的操作，查找目标页面的操作包括：对候选待检测页面进行类别判定，确定预设类别的候选待检测页面为目标页面，从目标页面的域名中提取出对应的一级域名，基于目标页面对应的一级域名爬取目标页面的关联页面，响应于确定目标页面的关联页面不在候选待检测页面队列中，将目标页面的关联页面添加至候选待检测页面队列中，以对目标页面的关联页面执行查找目标页面的操作。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括提取单元和查找单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，提取单元还可以被描述为“基于待检测页面集中的页面的域名，从待检测页面集中提取出满足预设条件的候选待检测页面，并添加至候选待检测页面队列的单元”。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。