我想提取维基百科上"谷歌"页面的所有完整图像URL
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，我也没有得到谷歌相关的图像，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
如何只提取我在谷歌页面上看到的图像
- 检索页面源代码，https://en.wikipedia.org/w/index.php?title=Google&动作=原始
- 扫描它以查找类似
[[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.]]的子字符串 - 向API索取页面上的所有图片，http://en.wikipedia.org/w/api.php?action=query&title=谷歌&generator=图像&gimlimit＝10&prop=imageinfo&iiprop=url|dimensions|mime&format=json
- 过滤掉url，但那些与步骤2中找到的图片名称匹配的url除外
步骤2和4需要更多解释。
@2.Regexp/b(File|Image):[^]|nr]+/应该足够了。在Ruby的regexp中，b表示单词边界，这在您选择的语言中可能不受支持。我提出的Regexp将匹配我脑海中的所有案例：[[File:something.jpg]]，图库标签：<gallery>nFile:one.jpgnFile:two.jpgn</gallery>，模板：{{Infobox|pic = File:something.jpg}}。但是，它与包含]的文件名不匹配。我不确定它们是否合法，但如果是，它们一定非常罕见，这应该不是什么大不了的事。
如果您只想匹配这样的构造：[[File:something.jpg|thumb|description]]，下面的regexp会更好地工作：/[[(File|Image):[^]|]+/
@4.我会删除与/[^A-Za-z0-9]/匹配的名称中的所有字符。这比逃离它们更容易，而且在大多数情况下，这已经足够了。
图标最常附加在模板中，而与文章主题相关的图片最常直接附加([[File:…]])。不过也有例外，例如在一些文章中，图片是用｛｛Gallery｝｝模板附加的。还有<gallery>标记，它为库引入了特殊的语法。你必须根据你的需求调整我的解决方案，即使这样也不会完美，但它应该足够好。