一种通过HTML标签识别垃圾邮件的方法技术

本发明专利技术提供了一种通过HTML标签识别垃圾邮件的方法，包括以下步骤：S1、构建使用字符描述HTML代码中标签的标签描述表；S2、顺序提取垃圾邮件的HTML代码中的标签，并根据标签描述表提取包含多个字符的校验数据；S3、在接收到新邮件后，提取新邮件的HTML代码，并根据标签描述表将新邮件的HTML代码中的标签翻译成描述数据；S4、将描述数据与校验数据进行比较，以至少将命中校验数据的描述数据所对应的新邮件判定为垃圾邮件。在发明专利技术中，仅需要通过将新邮件的HTML代码所组成的描述数据与事先设定的垃圾邮件中的HTML代码所所组成的校验数据进行比较并判定，显著地降低了后台服务器或者网页搜索引擎的计算开销，简化了识别垃圾邮件的步骤。

【技术实现步骤摘要】
一种通过HTML标签识别垃圾邮件的方法
本专利技术涉及反垃圾邮件
，尤其涉及一种通过HTML标签识别垃圾邮件的方法。
技术介绍
随着互联网的发展，垃圾邮件对使用者造成的危害愈来愈大。垃圾邮件中通常包括推销邮件或者具有色情或者其他不良信息的邮件。为此，现有技术中出现了多种反垃圾邮件的识别及过滤方法及后台服务器过滤机制。目前主流的反垃圾邮件的方法主要包括：(1)光学字符识别法(OCR)，其通过实现对包含广告图片或者纯文本的内容进行提取，通过内容判断是否广告内容，从而实现垃圾邮件的识别，但是这种技术对计算机造成的开销较大。(2)基于MD5校验的邮件检测技术，其通过将任意长度的字符串执行散列运算，转换成较短的固定长度的值。由于任意两个不同字符串的MD5值不相同，因此可通过比较两个字符串的MD5值来判断两个字符串是否相同。但是这种反垃圾邮件技术对邮件内容非严格相同，出现任何变化时都会导致MD5值的不同，从而严重影响对该邮件是否为垃圾邮件的判定并执行过滤及拦截操作。(3)基于贝叶斯分类器对垃圾邮件进行过滤的现有技术，相关专利可参考中国专利技术专利CN200510135603.3、中国专利技术专利CN200410063953.9、中国专利技术专利CN200510087762.0、中国专利技术专利CN200510082282.5等。但是，在使用贝叶斯分类器在对邮件进行分类时，需要预先对垃圾邮件建模，并依据模型对后续邮件进行分类，因此现有的反垃圾邮件技术存在步骤繁琐且可靠性较低的缺陷。同时，现有技术中的反垃圾邮件技术直接对邮件(其主要为HTML格式的邮件)中包含的预先设定的文字或者图片进行扫描检测，这样势必导致对正常发送的邮件也需要执行上述检验或者过滤操作，因此会增加后台服务器或者网页搜索引擎的计算开销。有鉴于此，有必要对现有技术中的对垃圾邮件的识别方法予以改进，以解决上述问题。
技术实现思路
本专利技术的目的在于公开一种通过HTML标签识别垃圾邮件的方法，用以实现对HTML格式的垃圾邮件进行有效识别，降低后台服务器或者网页搜索引擎的计算开销，简化识别垃圾邮件的步骤。为实现上述专利技术目的，本专利技术提供了一种通过HTML标签识别垃圾邮件的方法，包括以下步骤：S1、构建使用字符描述HTML代码中标签的标签描述表；S2、顺序提取垃圾邮件的HTML代码中的标签，并根据标签描述表提取包含多个字符的校验数据；S3、在接收到新邮件后，提取新邮件的HTML代码，并根据标签描述表将新邮件的HTML代码中的标签翻译成描述数据；S4、将描述数据与校验数据进行比较，以至少将命中校验数据的描述数据所对应的新邮件判定为垃圾邮件。作为本专利技术的进一步改进，将至少匹配校验数据的首部排列顺序或者尾部排列顺序的描述数据所对应的新邮件判定为垃圾邮件。作为本专利技术的进一步改进，所述标签描述表包括若干条记录，所述记录由校验数据及校验数据的长度信息组成；若使用标签描述表对新邮件的HTML代码中的标签进行翻译后所得的描述数据的长度信息与校验数据的长度信息相等，则将新邮件判定为垃圾邮件。作为本专利技术的进一步改进，所述方法还包括：所述校验数据的长度信息的取值范围为[m,n]，若使用标签描述表对新邮件的HTML代码中的标签进行翻译后所得的描述数据的长度信息位于校验数据的长度信息的取值范围内，则将新邮件判定为垃圾邮件。作为本专利技术的进一步改进，所述校验数据的长度信息的取值范围的上限n取100，取值范围的下限m取20。作为本专利技术的进一步改进，所述字符为数字、字母、或者ASCⅡ码中的一种或者两种以上任意组合的计算机可读数据。作为本专利技术的进一步改进，所述字符的字节长度固定。作为本专利技术的进一步改进，所述方法还包括将与校验数据重合度高于80％的描述数据所对应的新邮件判定为垃圾邮件。作为本专利技术的进一步改进，所述方法还包括将新邮件的描述数据扫描校验数据，若描述数据与校验数据相重合的片段中所包含的字符数高于描述数据所包含的字符数量的80％，则将所述新邮件判定为垃圾邮件；其中，所述描述数据与校验数据相重合的片段的长度大于或者等于10个字符。与现有技术相比，本专利技术的有益效果是：在专利技术中，仅需要通过将新邮件的HTML代码所组成的描述数据与事先设定的垃圾邮件中的HTML代码所所组成的校验数据进行比较，以判定新邮件是否为垃圾邮件，由于整个过程中仅需要对字节数非常小的字符进行比对，因此显著地降低了后台服务器或者网页搜索引擎的计算开销，简化了识别垃圾邮件的步骤；同时，垃圾邮件发送者无论对垃圾邮件的文本内容作何种干扰，最终从该垃圾邮件中提取出的HTML代码均具有一致性，因此可高效率地对邮件是否为垃圾邮件作出准确判断。附图说明图1为本专利技术一种通过HTML标签识别垃圾邮件的方法流程图；图2为在计算机中所预先输入的一封垃圾邮件样本图；图3为图2所示的垃圾邮件所对应的HTML代码；图4为图2所示出的垃圾邮件发送者对另一个邮件接受者所发送发的拟被判定为垃圾邮件的新邮件的样本图；图5为图4所示的拟被判定为垃圾邮件的新邮件的HTML代码；图6为正常邮件的样本图；图7为图6所示出的正常邮件的HTML代码图；图8为另一封待判定的新邮件的HTML代码中的标签经过标签描述表翻译所形成的描述数据中的头部、中部及尾部与预先输入的垃圾邮件的校验数据分别相似的示意图；图9为再一封待判定的新邮件的HTML代码中的标签经过标签描述表翻译所形成的描述数据中的头部、中部及尾部与预先输入的垃圾邮件的校验数据全部相似的示意图。具体实施方式下面结合附图所示的各实施方式对本专利技术进行详细说明，但应当说明的是，这些实施方式并非对本专利技术的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本专利技术的保护范围之内。请参图1所示的本专利技术一种通过HTML标签识别垃圾邮件的方法的一种具体实施方式。本专利技术所示出的方法主要用于对HTML格式的邮件进行垃圾邮件的判定。在本说明书中，术语“邮件”等同于术语“电子邮件”。用户在电脑或者接入互联网的设备的网页或者邮件应用软件中接收到对端发送的邮件，并在本地计算机或者邮件服务器中对接收到的新邮件进行判定。本专利技术一种通过HTML标签识别垃圾的方法包括以下步骤。首先，构建使用字符描述HTML代码中的标签的描述表。HTML(超文本标记语言)是目前网络上应用最为广泛的语言，也是构成网页文档的主要语言。HTML文本是由HTML命令组成的描述性文本，HTML命令可以说明文字、图形、动画、声音、表格、链接等。HTML的结构包括头部(Head)、主体(Body)两大部分，其中头部描述浏览器所需的信息，而主体则包含所要说明的具体内容。为了实现对垃圾邮件的判定，首先需要定义垃圾邮件。相对于传统的垃圾邮件判定方法，本专利技术不提取邮件的文本信息或者图形数据，而基于HTML格式的邮件的中的HTML代码中的标签的出现次数、顺序或者排列规律进行统计并形成用于表征及描述该垃圾邮件的垃圾属性。本专利技术所示出的方法可运行于邮件服务器中，邮件服务器连接数据库，用于保存描述表等信息。对于图形化的邮件其均由文本(Text)与HTML代码组成。而HTML代码对于文本的描述具有特有的规格与顺序。在邮件服务器或者接收邮件的本地服务器中对邮件进行解码后，即可示出本文档来自技高网...

【技术保护点】
一种通过HTML标签识别垃圾邮件的方法，其特征在于，包括以下步骤：S1、构建使用字符描述HTML代码中标签的标签描述表；S2、顺序提取垃圾邮件的HTML代码中的标签，并根据标签描述表提取包含多个字符的校验数据；S3、在接收到新邮件后，提取新邮件的HTML代码，并根据标签描述表将新邮件的HTML代码中的标签翻译成描述数据；S4、将描述数据与校验数据进行比较，以至少将命中校验数据的描述数据所对应的新邮件判定为垃圾邮件。

【技术特征摘要】
1.一种通过HTML标签识别垃圾邮件的方法，其特征在于，包括以下步骤：S1、构建使用字符描述HTML代码中标签的标签描述表；S2、顺序提取垃圾邮件的HTML代码中的标签，并根据标签描述表提取包含多个字符的校验数据；S3、在接收到新邮件后，提取新邮件的HTML代码，并根据标签描述表将新邮件的HTML代码中的标签翻译成描述数据；S4、将描述数据与校验数据进行比较，以至少将命中校验数据的描述数据所对应的新邮件判定为垃圾邮件。2.根据权利要求1所述的方法，其特征在于，将至少匹配校验数据的首部排列顺序或者尾部排列顺序的描述数据所对应的新邮件判定为垃圾邮件。3.根据权利要求1或者2所述的方法，其特征在于，所述标签描述表包括若干条记录，所述记录由校验数据及校验数据的长度信息组成；若使用标签描述表对新邮件的HTML代码中的标签进行翻译后所得的描述数据的长度信息与校验数据的长度信息相等，则将新邮件判定为垃圾邮件。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：所述校验数据的...

【专利技术属性】
技术研发人员：徐慧灵，纪春来，
申请(专利权)人：无锡云商通科技有限公司，
类型：发明
国别省市：江苏,32