从网页中提取*相关*图像

Question

我有一些Twitter推动的新闻聚合网站。我一直在计划添加我在twitter上找到的文章中的图像。

如果我下载页面并使用<img>标签提取图像，我会得到一堆图像;并非所有这些都与文章相关。例如，捕获按钮，图标，广告等的图像。如何提取文章附带的图像？我知道有一个解决方案 - Facebook链接共享器做得非常好。

大额牛

重复：How to find and extract "main" image in website

Answer 1

从页面下载所有图片， 将来自广告服务器的所有图像列入黑名单。 然后找一些能够为你提供正确图像的启发式算法......

我认为：

• 最大分辨率+ = 5pts
• 最大文件大小+ = 10分
• Jpeg + = 2 pts

然后拍摄得分最多的图像并将其余部分扔掉

可能适用于大多数网站。

（虽然需要一些摆弄启发式方法）

Answer 2

已经很久了。但这可能有助于下一次。

您可以使用此API https://urlmeta.org/

使用起来非常简单，结果是我们最需要的。

使用API​​的示例：

<?php
$url = "http://timesofindia.indiatimes.com/business/india-business/Raghuram-Rajan-not-fit-to-be-RBI-Governor-Subramanian-Swamy/articleshow/52236298.cms";

$result = file_get_contents('https://api.urlmeta.org/?url='.$url);
$array = json_decode($result,1);
print_r($array['meta']['image']);

?>

这就是你需要的结果。

Answer 3

我想出了一个有点hacky但对我有用的解决方案。这是我做缩略图的方法。

1. 说我找到的页面标题是“这是标题”
2. 我将此作为对Google Image API的查询，然后提取我找到的第一个缩略图。

对于大多数情况，它实际上运作良好。亲自检查http://cricketfresh.in

大额牛

ps：我认为这是一个很好的答案。会给予那些有更优雅答案的人称赞。

Answer 4

我猜想Facebook有一个链接提取器，用于它支持的各个站点。像id =“content” - ＆gt; img（1st）。

猜猜我错了。似乎Facebook使用Open Graph Protocol来定义哪个图像（og：图像）以及要使用的元数据。