Question

我不确定如何定义它，但基本上我想从给定的URL中检索相关的图像和文本摘要。

例如 - 当用户将链接粘贴到Facebook上的共享框时，它会立即从文章本身和相关图像中获取文章标题和/或短文本块。它从来没有得到错误的图像，如网站的标识或文章本身周围的文字...

相同的Google+和其他社交网络或此类服务。

我开始假设我需要使用下面的代码阅读页面内容，如何确定哪个图像是相关的（来自文章正文）以及哪个文本是文章文本？

URL oracle = new URL("http://www.oracle.com/");
BufferedReader in = new BufferedReader(
    new InputStreamReader(oracle.openStream()));

String inputLine;
while ((inputLine = in.readLine()) != null)
    System.out.println(inputLine);

in.close();

我当然不是在这里要求代码（除非某人有一个代码片段并且愿意分享）但更多的是如何处理这个......我从哪里开始？

任何帮助将不胜感激！

Answer 1

我可以推荐Boilerpipe用于原始文本提取，它使用一些高级算法来查找相关文本并删除它周围的样板（如菜单，页脚等等）。

关于图像，除了使用评论中已经建议的元标记之外，您还可以使用html解析器（如htmlparser）来提取所有“img”标记，然后使用一些启发式方法来选择最佳一。我正在使用一些启发式：

没有小于30像素的图片，它们通常是图标或广告跟踪图片
平方越好，这就避免了统治者和类似的东西
没有标准的已知横幅尺寸
页面越高越好
靠近Boilerplate提取的内容（这很难）

我一直在制作中使用这些启发式页面抓取一段时间，并且它们会产生很好的效果。

但是，要正确应用这些规则，您可能需要下载图像以获取其大小和/或解析样式属性。

如果您计划运行此服务器端，作为页面抓取服务，那么没关系。如果你打算在Android设备上动态执行它，它可能太重了。

从URL获取相关图像和摘要

1 个答案: