从 URL 获取相关图像和摘要

Question

我不确定如何定义它，但基本上我想从给定的 URL 中检索相关的图像和文本摘要。

例如 - 当用户将链接粘贴到 Facebook 上的分享框时，它会立即从文章本身和相关图片中获取文章标题和/或短文本块。 它永远不会得到错误的图像，例如网站的徽标或文章本身周围的文字......

Google+ 和其他类似的社交网络或服务也是如此。

我首先假设我需要使用以下代码阅读页面内容，我如何确定哪个图像是相关的（来自文章正文）以及哪个文本是文章文本？

URL oracle = new URL("http://www.oracle.com/");
BufferedReader in = new BufferedReader(
    new InputStreamReader(oracle.openStream()));

String inputLine;
while ((inputLine = in.readLine()) != null)
    System.out.println(inputLine);

in.close();

我当然不是在这里要求代码（除非有人拥有例如 sn-p 并且愿意分享），而是更多关于如何处理这个问题......我从哪里开始？

任何帮助将不胜感激！

Answer 1

我可以推荐Boilerpipe 用于原始文本提取，它使用一些高级算法来查找相关文本并删除其周围的样板（如菜单、页脚等）。

关于图像，除了使用 cmets 中已经建议的元标记外，您还可以使用 html 解析器（如 htmlparser）来提取所有“img”标记，然后使用一些启发式方法来选择最佳标记。我正在使用一些启发式方法，例如：

• 没有小于 30 像素的图片，它们通常是图标或广告跟踪图片
• 平方越好，这样可以避免使用尺子和类似的东西
• 没有已知的标准横幅尺寸
• 页面越高越好
• Boilerplate 提取的近似内容（这很难）

一段时间以来，我一直在生产环境中使用这些启发式方法进行页面抓取，并且效果很好。

但是，要正确应用这些规则，您可能需要下载图像以获取其大小和/或解析样式属性。

如果您打算将此服务器端作为页面抓取服务运行，那么没关系。如果您打算在 Android 设备上即时执行此操作，它可能太重了。