维基百科上给定页面的完整图片网址（仅限我在页面上看到的图片）

Question

我想提取维基百科上“Google”页面的所有完整图片网址

我试过了：

http://en.wikipedia.org/w/api.php?action=query&titles=Google&generator=images&gimlimit=10&prop=imageinfo&iiprop=url|dimensions|mime&format=json

但是，通过这种方式，我也得到了与谷歌无关的图像，例如：

http://upload.wikimedia.org/wikipedia/en/a/a4/Flag_of_the_United_States.svg
http://upload.wikimedia.org/wikipedia/en/4/4a/Commons-logo.svg
http://upload.wikimedia.org/wikipedia/en/4/4a/Commons-logo.svg
http://upload.wikimedia.org/wikipedia/commons/f/fe/Crystal_Clear_app_browser.png

如何仅提取我在 Google page 上看到的图像

Answer 1

1. 检索页面源代码，https://en.wikipedia.org/w/index.php?title=Google&action=raw
2. 扫描它以查找像[[File:Google web search.png|thumb|left|On February 14, 2012, Google updated its homepage with a minor twist. There are no red lines above the options in the black bar, and there is a tab space before the "+You". The sign-in button has also changed, it is no longer in the black bar, instead under it as a button.]] 这样的子字符串
3. 请求 API 获取页面上的所有图片，http://en.wikipedia.org/w/api.php?action=query&titles=Google&generator=images&gimlimit=10&prop=imageinfo&iiprop=url|dimensions|mime&format=json
4. 过滤掉与步骤 2 中找到的图片名称匹配的网址。

第 2 步和第 4 步需要更多解释。

@2。正则表达式/\b(File|Image):[^]|\n\r]+/ 应该足够了。在 Ruby 的正则表达式中，\b 表示您选择的语言可能不支持的单词边界。我建议的正则表达式将匹配我想到的所有案例：[[File:something.jpg]]，图库标签：<gallery>\nFile:one.jpg\nFile:two.jpg\n</gallery>，模板：{{Infobox|pic = File:something.jpg}}。但是，它不会匹配包含] 的文件名。我不确定它们是否合法，但如果是，它们一定非常罕见，应该没什么大不了的。

如果你只想匹配这样的结构：[[File:something.jpg|thumb|description]]，下面的正则表达式会更好：/\[\[(File|Image):[^]|]+/

@4。我会从名称中删除与/[^A-Za-z0-9]/ 匹配的所有字符。这比逃避它们更容易，而且在大多数情况下，足够了。

图标最常附加在模板中，与文章主题相关的图片相反，后者最常直接附加 ([[File:…]])。但也有例外，例如在某些文章中，图片附有 {{Gallery}} 模板。还有<gallery> 标签，它为画廊引入了特殊的语法。您必须根据您的需求调整我的解决方案，即使那样它也不会完美，但应该足够好。