Sacar una foto de un RSS con redirección

[humanista]

Hola, voy a intentar explicar lo que busco.

Tengo un script que lee RSS y coge el código (<img src=...>) de la primera foto que encuentra en esa entrada. Eso lo hago con expresiones regulares.

Me encuentro con el problema de que hay RSS que en lugar de llevarte directamente a la entrada (artículo) en sí, te pasan por un filtro intermedio que te muestra publicidad y pasados unos segundos te lleva a la entrada en sí.

Claro, si voy a coger la foto, me cogerá el banner publicitario pero eso no quiero. He visto que hay webs que cogen la foto correcta, es decir se saltan ese filtro o paso intermedio publicitario. Por ejemplo bloglovin. He probado con el rss de elmundo.es y si que lo consigue, cómo???

[enlinea777]

puedes darme un ejemplo del filto y de la url rss

[humanista]

RSS http://elmundo.feedsportal.com/elmundo/rss/portada.xml

y en bloglovin coge la foto "buena" (no la de la publi, obviamente)

Es decir:

RSS nos genera una serie de títulos (con sus links) + sus textos cortos -> texto en plan "pincha aquí" con link hacia la noticia "buena" + foto de publi -> (redirecciona automáticamente pasados unos segundos, si no pinchamos, hacia la noticia buena) -> Noticia "buena"

[enlinea777]

ok
deacuerdo a esto veo que solo tienes que validar las url's de las imagenes y que contengan el mismo host que el del rss y opcionalmente que su ancho y su alto sea mayor a 10 pixeles por rasones ovias.

[humanista]

Ummm, eso no soluciona el problema porque como puedes ver el RSS sólo trae las imágenes de la publicidad. Lo que quiero son las de la noticias, las "buenas".

Lo que no sé es cómo lo hace bloglovin, me tiene intrigado

[enlinea777]

Iniciado por enlinea777

ok
deacuerdo a esto veo que solo tienes que validar las url's de las imagenes y que contengan el mismo host que el del rss y opcionalmente que su ancho y su alto sea mayor a 10 pixeles por rasones ovias.

lo que te decia si funciona pero al parecer no comprendes...

tu usas expreciones regulares para extraer las etiquetas de imagenes del rss.
cosa que funciona para unos y otros no.

Iniciado por humanista

Tengo un script que lee RSS y coge el código (<img src=...>)

lo que tienes que hacer es validar la url de cada etiqueta de imagen y ademas las imagenes que no tienen estiquetas <img , basicamente estas

<media:content lang="" type="image/jpeg" url="http://estaticos.elmundo.es/elmundo/imagenes/2012/05/14/natura/1336994297_0.jpg" />

las cuales no estas extrayendo del archivo y las cuales si tienen las imagenes validas.

[humanista]

Gracias!!!, tenías toda la razón, no sé cómo no me fijé en eso. El único problema es que esa etiqueta <media: ..... /> no la usan todos los RSS por lo que tendré que investigar casi 1 a 1 cuál usa, agrrr... y adaptar mi script a los más usados.
Otro problema es que muchos usan simplemente el <img src... /> por lo que si quiero hacer un script que funcione para todos, no sé cómo voy a diferenciar cuál de las <img src... son fotos válidas y cuáles son publicidad...

[enlinea777]

Iniciado por humanista

no sé cómo voy a diferenciar cuál de las <img src...
son fotos válidas y cuáles son publicidad...

pues facil analiza el domino de la URL y de alli sacas el dominio valido del las URL de las imagenes

si el dominio de la URL del archivo rss es igual al de la imagen
la url es valida
de lo contrario
laurl no es valida