Cómo filtrar íconos, píxeles de seguimiento e imágenes pequeñas de los resultados

Un escaneo de imágenes de un sitio web rara vez arroja una carpeta ordenada de fotografías. Devuelve todo lo que la página renderizada trató como una imagen: logotipos, avatares, favicons, GIF giratorios, espaciadores transparentes, solicitudes de seguimiento de un píxel, miniaturas, variantes receptivas duplicadas y las imágenes de contenido que realmente deseaba.

El resultado desordenado no es necesariamente un mal escaneo. Las páginas modernas utilizan imágenes para muchos trabajos. El trabajo útil comienza cuando clasifica los archivos por función en lugar de descargar cada URL.

Ningún filtro es confiable por sí solo. Una regla de ancho mínimo puede eliminar los píxeles de seguimiento, pero también puede eliminar íconos y muestras de productos legítimos. Una regla de nombre de host puede aislar una CDN, pero la misma CDN puede servir tanto contenido como gráficos de interfaz. Un buen proceso de limpieza combina varias señales débiles y mantiene archivos inciertos para su revisión.

Por qué aparecen archivos pequeños

Los pequeños recursos comunes incluyen:

• Píxeles de seguimiento de correo electrónico y análisis
• avatares sociales
• Favicons e íconos de aplicaciones
• controles de interfaz de usuario
• Indicadores de carga
• Separadores decorativos
• Muestras de productos
• Gráficos de insignia
• Imágenes de marcador de posición
• sprites SVG

Algunos son visibles. Otros son transparentes o están colocados fuera de campo. Un navegador renderizado aún puede solicitarlos, por lo que un extractor con reconocimiento de red puede informarlos.

Comience con las dimensiones

El ancho y el alto son el primer paso más rápido. Es poco probable que un GIF de 1 por 1 sea una fotografía heroica. Un PNG de 16 por 16 es probablemente un favicon o un ícono de interfaz.

Una clasificación práctica podría ser:

Estos son ejemplos, no reglas universales. Un icono de alta densidad puede tener 256 píxeles. Una pequeña ilustración editorial puede ser significativa. Almacene las dimensiones y luego combínelas con otras pruebas.

Usar relación de aspecto

Las proporciones extremas a menudo revelan balizas de seguimiento, separadores o tiras de sprites. Es poco probable que una imagen de 1 por 600 sea una fotografía normal. Un archivo muy amplio puede ser un banner o una hoja de sprites.

No descarte automáticamente los activos amplios. Las imágenes de vista previa social, los encabezados y las panorámicas son legítimos. Compare la proporción con la función de la página y el nombre del archivo.

Leer nombres de archivos y rutas

Las pistas útiles incluyen:

/icons/
/avatars/
/analytics/
/tracking/
/ui/
/sprites/
pixel.gif
spinner.svg
favicon.ico
placeholder.webp

Las reglas de ruta funcionan mejor en un sitio que usted controla porque comprende sus convenciones. Las páginas de terceros pueden utilizar nombres de archivos con hash sin pistas legibles.

Cree patrones de exclusión de forma conservadora y registre lo que eliminen. Una regla general contra /icons/ es incorrecta si su migración autorizada incluye el sistema de diseño completo.

Agrupar por nombre de host

Las imágenes de contenido pueden vivir en una CDN multimedia, mientras que las solicitudes de análisis provienen de dominios no relacionados. Agrupe las URL por nombre de host y cuéntelas.

En un sitio propio, se deben documentar los hosts esperados. Un dominio desconocido merece una investigación, especialmente si recibe identificadores únicos. Para una tarea de extracción de contenido, normalmente puede excluir hosts de publicidad y análisis conocidos.

No utilice el nombre de host como una decisión de derechos de autor. Un host CDN no le dice quién es el propietario de cada archivo que sirve.

Separe el contenido de la página del mobiliario de la página

La ubicación del DOM proporciona una señal fuerte. Es más probable que las imágenes dentro de un artículo, galería de productos, cuadrícula de cartera o archivo adjunto multimedia sean contenido. Las imágenes en la navegación, el pie de página, el banner de cookies, los controles para compartir o los widgets de recomendación son muebles de página.

Un inventario compatible con el selector puede registrar el contenedor significativo más cercano. Por ejemplo:

main article img
.product-gallery img
header img
footer img

This is more reliable than judging a URL in isolation.

Reconocer píxeles de seguimiento

Las imágenes de seguimiento suelen ser pequeñas o transparentes y pueden incluir largas cadenas de consulta. Pueden registrar la apertura de un correo electrónico o un evento de página cuando se les solicite.

Pistas comunes:

• One-pixel dimensions
• Sin vista previa visual significativa
• Analytics or campaign hostname
• Parámetros de consulta que contienen identificadores de eventos o destinatarios
• display:none, zero opacity, or off-screen positioning

Nunca publique URL de seguimiento sin procesar en un informe de auditoría si contienen identificadores o tokens personales. Redactar los valores de consulta y documentar el proveedor y el propósito.

Maneje los SVG con cuidado

Un SVG puede tener pequeñas dimensiones declaradas pero permanecer perfectamente nítido en cualquier tamaño. Podría ser un logotipo, un ícono de interfaz, una ilustración o un sistema de sprites completo.

Si su objetivo es una colección de fotografías, coloque los SVG en un grupo de revisión separado en lugar de eliminarlos. Si su objetivo es la migración de un sitio, pueden ser esenciales.

La guía de iconos web y sprites SVG explica los símbolos en línea, los sprites externos y las fuentes de los iconos.

Eliminar URL duplicadas exactas

Normalice las diferencias seguras antes de comparar:

• Resolver direcciones relativas.
• Elimine los fragmentos de URL cuando no cambien el recurso.
• Decodifica los escapes de URL equivalentes de forma consistente.
• Keep query parameters unless you know they are tracking-only.

Do not strip every query string. Image CDN parameters can change dimensions, crop, quality, and format. The CDN parameter guide explains which differences may be meaningful.

Detectar archivos duplicados detrás de diferentes URL

Dos direcciones pueden devolver bytes idénticos debido a parámetros de eliminación de caché, espejos o cargas repetidas de CMS. Calcule un hash criptográfico después de la descarga para encontrar coincidencias exactas.

Los derivados visualmente similares requieren hash perceptual o comparación de imágenes. Por lo general, una miniatura y un original deben agruparse, no tratarse como si fueran idénticos. Mantenga la fuente útil más grande y registre la relación.

Lee cómo encontrar imágenes duplicadas en un sitio web antes de eliminar archivos del almacenamiento.

Califique a los candidatos en lugar de usar una regla estricta

Para una extracción de fotografías general, dé puntos positivos por:

• Ubicado dentro del contenido principal
• Width above 600 pixels
• Formato de fotografía como JPG, WebP o AVIF
• Appears in a gallery or article figure
• Tiene texto alternativo significativo

Dar puntos negativos por:

• Dimensiones de un píxel
• Analytics hostname
• Directorio de interfaz
• Vista previa vacía transparente
• Repetido en cada plantilla de página.

Review files near the threshold manually. This approach is easier to tune than a brittle chain of exclusions.

A practical cleanup workflow

1. Exporte las URL con la página de origen, las dimensiones, el formato y la ubicación del DOM.
2. Divida por nombre de host e identifique fuentes conocidas de análisis o publicidad.
3. Ponga en cuarentena archivos transparentes y de un píxel.
4. Separe los formatos SVG y de íconos de las fotografías rasterizadas.
5. Variantes de respuesta grupal y CDN.
6. Hash descargó candidatos para duplicados exactos.
7. Vista previa de grupos inciertos.
8. Mantenga un registro de cada regla y recuento eliminado.

Utilice el extractor de imágenes ExtractPics para recopilar imágenes de páginas renderizadas y luego aplique filtros en los resultados antes de descargarlas. Para proyectos grandes, exporte un manifiesto y procéselo de manera reproducible en lugar de realizar selecciones únicas.

Diferentes trabajos necesitan diferentes filtros

Para una copia de seguridad de las fotografías del producto, excluya los íconos del tema pero conserve las muestras variantes si son datos operativos. Para una auditoría de accesibilidad, mantenga pequeños íconos significativos porque su tratamiento alternativo es importante. Para rediseñar el inventario, conserve los logotipos, fondos, favicons e imágenes sociales como categorías separadas.

Escriba la tarea en la parte superior de la configuración de su filtro. "Eliminar todo lo que tenga menos de 200 píxeles" no tiene sentido hasta que sepas para qué sirve el inventario.

La guía de inventario de imágenes de sitios web proporciona funciones que funcionan en proyectos de rediseño y migración.

Verifique los marcadores de posición después de la carga diferida

Un pequeño archivo transparente puede ser el src inicial, mientras que la dirección real espera en data-src. Filtrar el marcador de posición antes de que se muestre la página puede hacer que parezca que falta la imagen.

Cargue y desplácese por la página primero. Luego use currentSrc y estilos calculados. Consulta cómo extraer imágenes cargadas de forma diferida para obtener un flujo de trabajo completo.

Privacidad y términos

Un manifiesto de extracción puede contener identificadores de seguimiento, URL firmadas y valores de consulta privados. Trátelo como potencialmente sensible. Redacte los tokens antes de compartirlos y evite cargarlos en rastreadores de problemas públicos.

Utilice filtros en páginas de su propiedad, de las que está autorizado a auditar o a las que puede acceder legalmente. Eliminar un píxel de seguimiento de su lista de descargas no otorga derechos sobre las fotografías restantes. Verifique la propiedad y la licencia antes de reutilizarlo.

Un filtro útil es aquel que puedes explicar.

Un resultado ruidoso es normal. La página utiliza imágenes para la interfaz cromada, la identidad, el seguimiento, la decoración y el contenido, y el extractor no puede saber qué función le importa.

Combine filtros modestos en lugar de apostar todo a un límite de tamaño único. Mantenga un grupo "inseguro" y observe lo que eliminan sus reglas. Una copia de seguridad de un producto no debe filtrarse como una auditoría de accesibilidad, ni tampoco debe filtrarse como una migración de íconos. Si no puede explicar por qué se excluyó un archivo, probablemente la regla sea demasiado agresiva.