java - 如何在网站中查找和提取 "main"图片

Question

我需要帮助解决问题。我需要一个程序，给定一个站点，它可以找到并提取“主”图片，即代表该站点的图片。 (说它是最大 或第一 图片有时但不总是正确的)。

我应该如何处理这个问题？有没有图书馆可以帮助我解决这个问题？谢谢!

Answer 1

选项 1

你可以结帐Goose .它做的事情类似于 Pocket 和 Readability 所做的，即尝试使用一组启发式方法从给定的网页中提取主要文章。它显然也可以从那篇文章中提取主要图像，但它有点碰运气，所以 60% 的时间它每次都有效。

它曾经是一个 Java 项目，但被重写为 Scala。

来自自述文件

Goose will try to extract the following information:

• Main text of an article
• Main image of article
• Any Youtube/Vimeo movies embedded in article
• Meta Description
• Meta tags
• Publish Date

在这里试试:http://jimplush.com/blog/goose

---

选项 2

您可以使用 Java 包装器(例如 GhostDriver )来运行 headless 浏览器，例如 PhantomJS .然后，获取网站并找到尺寸最大的 img 元素。 This GhostDriver test case展示了如何在 DOM 中查询元素并获取它的呈现大小。

---

选项 3

使用类似 jsoup 的库可以帮助您解析 HTML。然后从所有 img 标签的 src 属性中获取值。请求您为图像找到的每个 URL 并测量它们的大小。尺寸最大的可能是网站的主要图片。