Html 从网页中提取*相关*图像

我有几个推特支持的新闻聚合网站。我一直计划添加我在twitter上找到的文章中的图片

如果我下载页面并使用

标签提取图像，我会得到一堆图像；并非所有这些都与本文相关。例如，捕捉按钮、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

密顿

---

重复：

我猜Facebook为其支持的各种网站提供了一个链接提取器。类似于id=“content”->img（第1个）

---

我猜我错了。似乎Facebook使用来定义要使用的图像（og:image）和元数据。

我想出了一个解决方案，有点老套，但对我来说是可行的。下面是我如何得到缩略图

假设我找到的页面标题是“这是一个标题”

我使用它作为对谷歌图像API的查询，然后提取我找到的第一个缩略图

它实际上在大多数情况下都很有效。你自己看看吧

密顿

---

附言：我认为这是一个很好的答案。会给那些回答更优雅的人带来荣誉。

从页面下载所有图片， 黑名单所有来自广告服务器的图像。 然后找到一些启发性的方法，让你得到正确的图像

我想是这样的：

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

然后取点数最多的图像，然后扔掉剩下的

可能适用于大多数网站

---

（这需要一些试探法）

已经很久了。但这下一次可能会有所帮助

您可以使用这个API

它的使用非常简单，结果是我们所需要的最好的

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']);

?>

---

这就是你需要的结果。

好吧，OGP是Facebook正在推动的东西，以便他们能够准确地提取元数据。不幸的是，很多网站不遵循这个标准。这是经典的方法，谢谢你把它放在这里。我有点犹豫是否要走这条路，因为我不确定这将需要多长时间。正如您所说，经过一些调整后，它可能会工作得很好。我在其他地方还发现了几个因素：1]图像的路径。2] 指定宽度和高度的图片durlmeta.org非常酷。适用于几乎所有的电子商务产品页面。