Question

我需要帮助来解决问题。我需要一个程序，给定一个站点，找到并提取“主”图片，即代表该站点的图片。（说它是最大的或第一个图片有时但并非总是如此）。

我该如何处理？有没有可以帮助我的图书馆？谢谢！

Answer 1

选项1

您可以结帐Goose。它执行类似于Pocket和Readability所做的事情，即尝试使用一组启发式从给定网页中提取主要文章。它显然也可以从该文章中提取主要图像，但它有点受欢迎，因此每次都有60％的时间可以使用。

它曾经是一个Java项目，但改写为Scala。

来自自述文件

Goose将尝试提取以下信息：


文章的正文

文章的主要形象

文章中嵌入的任何Youtube / Vimeo电影

元描述

元标记

发布日期

在此处试试：http://jimplush.com/blog/goose

选项2

您可以使用Java包装器（例如GhostDriver）来运行无头浏览器，例如PhantomJS。然后，获取网站并找到具有最大尺寸的img元素。 This GhostDriver test case显示了如何在DOM中查询元素并获取其渲染大小。

选项3

使用像jsoup这样可帮助您解析HTML的库。然后从所有src标记中获取img属性的值。请求您为图像找到的每个URL并测量它们的大小。尺寸最大的那个可能是网站的主要形象。

Answer 2

另一个解决方案是首先提取社交媒体共享的元标记，如果它们存在，你很幸运，否则你可以尝试其他解决方案。

<meta property="og:image" content="http://www.example.com/image.jpg"/>
<meta name="twitter:image" content="http://www.example.com/image.jpg">
<meta itemprop="image" content="http://www.example.com/image.jpg">

如果您正在使用JSOUP，代码将是这样的：

    String imageUrlOpenGraph = document.select("meta[property=og:image]").stream()
            .findFirst()
            .map(doc -> doc.attr("content").trim())
            .orElse(null);

    String imageUrlTwitter = document.select("meta[name=twitter:image]").stream()
                .findFirst()
                .map(doc -> doc.attr("content").trim())
                .orElse(null);

    String imageUrlGooglePlus = document.select("meta[itemprop=image]").stream()
                .findFirst()
                .map(doc -> doc.attr("content").trim())
                .orElse(null);

Answer 3

你需要人工智能才能这样做，即计算机视觉。它太大了，无法回答答案。 This link might help

如果您是具有概率和贝叶斯规则经验的数学家，那么您可以选择名为图像处理和计算机视觉的单位。

如果您要查找可用的软件check this out...

This stackoverflow thread might help...

这个名为moodstocks的软件可能有所帮助。

Answer 4

您可以使用embedly之类的服务。在许多其他信息中，它们允许您提取任何页面的主图像。特别适用于文章。你可以尝试here。

Answer 5

除了小代理脚本之外，

ImageResolver可以为您完成此操作而无需服务器端交互。

如何在网站中查找和提取“主要”图像

5 个答案: