如何找到网站的“主要”图片，给定网址？

Question

假设你给http://nytimes.com 你会如何取出“主”图像？

我问的原因是因为Flipboard能够从网站抓取主图像，只需使用URL。

你可以解析出所有的图片标签。但那又如何？

Answer 1

真的没有任何东西被认为是网页中的“主要”图像 - 没有任何内容用于区分这一点。更不用说你可能需要阅读CSS中的所有图像（或者更确切地说是背景图像等）。但如果我必须这样做，这是我会做的：

1. 首先，我会决定一个合适的图像大小，可以说400x400最低。 （我不想挑选任何旧图像，真的很小的东西可能会严重缩小）
2. 然后，我会遍历页面上的每个图像。
3. 对于我遇到的每个图像，我都会检查它的大小。 如果它是400x400（我的预定义尺寸）或更大，我会使用此图像。 如果不是，我会检查它是迄今为止发现的最大图像，如果是这样，请将其信息保存在一边。

4. 一旦我达到我检查

   图像的预定数量（参数可以说10，但肯定你恐怕会更高），我会用我发现的最大的图像（存储在旁边），因为我不想无限期地扫描页面寻找图像！

Answer 2

Facebook允许用户从中选择几张被认为是“主”图像的图像中的一幅。至于自动确定一个“主”图像，我会根据页面的位置，大小，与文本的关系以及（如果你想更复杂一些）其视觉内容来判断它。例如，您可以使用简单的人脸检测程序，或查看颜色细分以确定图片是否对您“有趣”。

编辑：在www.nytimes.com的情况下，我可能只是看一下页面结构，因为图像的大旋转木马正好位于H1标签的下方。

Answer 3

我不相信有一个标准的方法。您可以从寻找Open Graph Protocol图片标签开始。 Facebook使用这些来为状态更新和评论中张贴的网址选择图像。

<meta property="og:image" content="http://ia.media-imdb.com/rock.jpg"/> 

如果你准备使用第三方，Embedly报价以此为收费服务。

Embedly提供了一个功能强大的API标准的URL转换为嵌入式 视频，图像，以及来自218个领先供应商丰富的文章预览。

Answer 4

有许多策略来决定什么是URL的“主”的形象：

• 很多网站现在我宣布，主图像是什么（对于Facebook OpenGraph或Twitter信息卡）
• 有时，可以从URL或通过API调用来猜测图像（尤其适用于图像托管网站，如Instagram）
• 也可以通过分析带有内容提取技术（可读性）的网页来确定主图像。您可能需要过滤掉“噪音”以摆脱跟踪像素或广告。
• 如果所有这些技术都失败了，您可以下载所有图像并假定最大的图像是最有趣的。

我创建了一个使用大多数这些技术来确定URL的“主”图片的JavaScript库：ImageResolver。