从网页中提取*相关*图像

Question

我有几个由 Twitter 驱动的新闻聚合网站。我一直计划添加我在 Twitter 上找到的文章中的图像。

如果我下载页面并使用 标签提取图像，我会得到一堆图像；并非所有内容都与本文相关。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 链接共享器做得很好。

Mithun

重复：如何在中查找并提取“主”图像网站

Answer 1

从页面下载所有图像，
将来自广告服务器的所有图像列入黑名单。
然后找到一些启发式的方法，让你得到正确的图像...

我想是这样的：

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

然后获取最多点的图像并扔掉其余的

可能有效对于大多数网站。

（不过需要一些启发式的摆弄）

Answer 2

已经很久了。但这下次可能会有所帮助。

您可以使用这个 API https://urlmeta.org/

使用起来非常简单，结果是我们需要的最好的。

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']);

?>

这就是您需要的结果。

Answer 3

我想出了一个有点棘手但对我有用的解决方案。这是我获取缩略图的方法。

1. 假设我找到的页面标题是“这是一个标题”，
2. 我使用它作为对 Google Image API 的查询，然后提取我找到的第一个缩略图。

实际上，它对于大多数情况都非常有效。自己检查一下 http://cricketfresh.in

Mithun

ps：我认为这是一个很好的答案。会给那些给出更优雅答案的人以信任。

Answer 4

我猜测 Facebook 有一个针对其支持的各种网站的链接提取器。类似于 id="content" ->图像（第一）。

我猜我错了。 Facebook 似乎使用 开放图谱协议 来定义哪个图像 (og:image) 和哪个元数据使用。