Ruby:如何获取文章的主图像，或者链接预览是如何工作的？

Question

我正在尝试理解链接预览是如何工作的(例如，在Facebook或Reddit这样的网站上，当发布链接时，文章的图像和标题是预览的)：如何在不知道文章的确切图像url的情况下获得文章的主图像？

例如，在这个site上，我的链接预览器应该向我显示这个image (“主”图像)，而不是例如this one (它是一个更下面的图像)。

我是一个ruby新手，但是我能够使用Nokogiri和Open-Uri获得所有的图像，并使用下面的代码(但是问题仍然存在:我如何只获得主图像？)：

URL = "https://www.theguardian.com/technology/2016/dec/12/facebook-2016-problems-fake-news-censorship"

require 'open-uri'
require 'nokogiri'

Nokogiri::HTML(open(URL)).xpath("//img/@src").each do |src|
  uri = URI.join( URL, src ).to_s
  File.open(File.basename(uri), 'wb') do |f|
    f.write(open(uri).read) 
  end
end

Answer 1

这是您的代码的一个稍微修改的版本。对于提供的链接，它工作得很好，你必须调整它以适应其他网站。

它使用w=后跟一个大于300的数字来解析图像URL的代码。

它下载第一个找到的图像，可能具有更高的分辨率(desired_width = 800)

URL = 'https://www.theguardian.com/technology/2016/dec/12/facebook-2016-problems-fake-news-censorship'.freeze

require 'open-uri'
require 'nokogiri'

minimum_width = 300
desired_width = 800
width_regex   = /(w=)(\d+)/

Nokogiri::HTML(open(URL)).xpath('//img/@src').find do |src|
  basename = File.basename(src)

  next unless basename =~ width_regex &&
    Regexp.last_match(2).to_i >= minimum_width

  without_parameters = basename.split('?').first
  puts "Found #{without_parameters} !"
  uri = URI.join(URL, src.to_s.sub(width_regex, '\1' + desired_width.to_s))

  File.open(without_parameters, 'wb') do |f|
    f.write(open(uri).read)
  end
end

对于给定的示例：

Found 2330.jpg !