दूरस्थ रूप से स्क्रैप पेज और XPath

Question

के साथ छवियों के लिए सबसे प्रासंगिक शीर्षक या विवरण प्राप्त करें जो मैं देख रहा हूं वह अनिवार्य रूप से एक ही बात है जो एक ट्वीट बटन या फेसबुक शेयर/पसंद बटन करता है, और यह एक पृष्ठ और सबसे अधिक स्क्रैप करना है डेटा के एक टुकड़े के लिए प्रासंगिक शीर्षक। सबसे अच्छा उदाहरण मैं सोच सकता हूं कि जब आप कई लेखों वाली वेबसाइट के सामने वाले पृष्ठ पर होते हैं और आप एक बटन जैसे बटन पर क्लिक करते हैं। इसके बाद इसे पसंद बटन (निकटतम) के सापेक्ष पोस्ट के लिए उचित जानकारी मिल जाएगी। कुछ साइटों में ओपन ग्राफ टैग होते हैं, लेकिन कुछ नहीं करते हैं और यह अभी भी काम करता है।

चूंकि यह दूरस्थ रूप से किया जाता है, मेरे पास केवल उस डेटा का नियंत्रण होता है जिसे मैं लक्षित करना चाहता हूं। इस मामले में डेटा छवियां हैं। पृष्ठ के केवल <title> को पुनर्प्राप्त करने के बजाय, मैं किसी भी तरह से प्रत्येक छवि के शुरुआती बिंदु से विपरीत में डोम को पार करने के लिए देख रहा हूं, और निकटतम "शीर्षक" ढूंढता हूं। समस्या यह है कि सभी शीर्षक एक छवि से पहले नहीं होते हैं। हालांकि, इस मामले में शीर्षक के बाद होने वाली छवि का मौका काफी अधिक लगता है। इसके साथ ही, यह मेरी आशा है कि यह लगभग किसी भी साइट के लिए अच्छी तरह से काम करे।

विचार:

• छवि के "कंटेनर" का पता लगाएं और फिर पाठ की पहली ब्लॉक का उपयोग करें।
• कुछ वर्गों ("विवरण", "शीर्षक") या तत्वों (एच 1, एच 2, एच 3, एच 4) वाले तत्वों में पाठ के ब्लॉक खोजें।

शीर्षक बैकअप: निकाला जा रहा है छवियों:

• का उपयोग करते हुए ओपन ग्राफ़ टैग
• सिर्फ <title>
• का उपयोग करना ALT टैग का प्रयोग केवल
• मेटा टैग

सारांश का उपयोग करना समस्या नहीं है, यह उनके लिए प्रासंगिक शीर्षक कैसे प्राप्त करें।

प्रश्न: आप प्रत्येक छवियों के लिए प्रासंगिक शीर्षक प्राप्त करने के बारे में कैसे जाएंगे? शायद DomDocument या XPath का उपयोग कर रहे हैं?

Answer 1

आपका दृष्टिकोण काफी अच्छा लगता है, मैं केवल कुछ टैग/विशेषताओं को XPath क्वेरी के साथ वजन और लूप देता हूं जब तक कि मुझे कुछ ऐसा नहीं मिलता है और यह शून्य नहीं है। कुछ की तरह:

i = 0 

while (//img[i][@src]) 
    if (//img[i][@alt]) 
    return alt 
    else if (//img[i][@description]) 
    return description 
    else if (//img[i]/../p[0]) 
    return p 
    else 
    return (//title) 

    i++ 

---

एक साधारण XPath उदाहरण (समारोह ported from my framework):

function ph_DOM($html, $xpath = null) 
{ 
    if (is_object($html) === true) 
    { 
     if (isset($xpath) === true) 
     { 
      $html = $html->xpath($xpath); 
     } 

     return $html; 
    } 

    else if (is_string($html) === true) 
    { 
     $dom = new DOMDocument(); 

     if (libxml_use_internal_errors(true) === true) 
     { 
      libxml_clear_errors(); 
     } 

     if ($dom->loadHTML(ph()->Text->Unicode->mb_html_entities($html)) === true) 
     { 
      return ph_DOM(simplexml_import_dom($dom), $xpath); 
     } 
    } 

    return false; 
} 

और वास्तविक उपयोग:

$html = file_get_contents('http://en.wikipedia.org/wiki/Photography'); 

print_r(ph_DOM($html, '//img')); // gets all images 
print_r(ph_DOM($html, '//img[@src]')); // gets all images that have a src 
print_r(ph_DOM($html, '//img[@src]/..')); // gets all images that have a src and their parent element 
print_r(ph_DOM($html, '//img[@src]/../..')); // and so on... 
print_r(ph_DOM($html, '//title')); // get the title of the page