リモートでページをスクラブし、XPathで画像に最も関連性の高いタイトルまたは説明を取得

Question

私がやっていることは、TweetボタンやFacebook Share/Likeボタンと基本的に同じことです。 1つのデータの関連タイトル。私が考えることができる最も良い例は、あなたが多くの記事を含むウェブサイトのフロントページにいて、Facebook Likeボタンをクリックしたときです。それから、ポストの適切な情報が「Like」ボタンに（最も近い）相対的に表示されます。一部のサイトにはOpen Graphタグがありますが、一部のサイトではまだ機能していません。

これはリモートで行われるため、私はターゲットとするデータを制御するだけです。この場合、データは画像である。ページの<title>だけを取り出すのではなく、逆に各画像の開始点からdomをたどり、最も近い「タイトル」を見つけることを探しています。問題は、すべてのタイトルが画像の前に出現するわけではないということです。しかし、この場合のタイトルの後に画像が出現する可能性はかなり高いようです。それがほぼすべてのサイトでうまく動作するようにすることが私の希望です。

思考：

• は、画像の「コンテナ」を検索し、テキストの最初のブロックを使用します。
• 特定のクラス（「説明」、「タイトル」）または要素（h1、h2、h3、h4）を含む要素のテキストブロックを検索します。

タイトルのバックアップ：抽出画像：ちょうど<title>

使用ALTタグを使用して

• 使用してグラフを開くタグ
は
• METAタグ

概要を使用してそれは問題ではない、それはそれらのための関連するタイトルを取得する方法です。

質問：それぞれの画像に関連するタイトルをどうやって取得しますか？おそらくDomDocumentまたはXPathを使用していますか？

Answer 1

あなたのアプローチは十分だと思われますが、私は特定のタグ/属性に重みを付け、XPathクエリでそれらをループして、何かを見つけて無効にします。以下のような何か：

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++ 

---

簡単なXPathの例（機能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; 
} 

そして、実際の使用状況：正直なところ

$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