维基百科上给定页面的完整图像(仅限我在页面上看到的)

Question

我想要在维基百科上提取"Google"页面的所有完整图片

我尝试过:

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,我也没有与谷歌相关的图像,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页面上看到的图像

Answer 1

1. 检索页面源代码,https://en.wikipedia.org/w/index.php？title = Google&action =raw
2. 扫描它的子串如 [[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.]]
3. 向API询问所有图片,http://en.wikipedia.org/w/api.php？action = query&titles = Google &generator = images&glimlimit = 10&prop = imageinfo&iidrop = url | dimensions | mime&format = json
4. 过滤掉网址,但匹配在步骤2中找到的图片名称.

步骤2和4需要更多解释.

@ 2.Regexp /\b(File|Image):[^]|\n\r]+/应该足够了.在Ruby的regexp中,\b表示可能在您选择的语言中不支持的单词边界.我提出的Regexp将匹配我想到的所有案例:[[File:something.jpg]],gallery tags : <gallery>\nFile:one.jpg\nFile:two.jpg\n</gallery>, templates : {{Infobox|pic = File:something.jpg}}. 但是,它不匹配包含的文件名].我不确定它们是否合法,但如果它们是合法的,它们必须非常罕见,这应该不是什么大问题.

如果你只想匹配这样的结构:[[File:something.jpg|thumb|description]],跟随regexp将更好地工作:/\[\[(File|Image):[^]|]+/

@ 4.我将从匹配的名称中删除所有字符/[^A-Za-z0-9]/.它比逃避它们更容易,在大多数情况下,足够了.

图标通常附在模板中,与文章主题相关的图片相反,后者通常直接附加([[File:…]]).但也有例外,例如在一些文章中,图片附有{{Gallery}}模板.还有一些<gallery>标签为画廊引入了特殊的语法.你必须根据自己的需求调整我的解决方案,即使这样也不会很完美,但它应该足够好了.