新闻类网站的通用爬虫--GNE
程序员文章站
2022-06-15 14:42:14
GNE(GeneralNewsExtractor)是一个通用新闻网站正文抽取模块,输入一篇新闻网页的 HTML, 输出正文内容、标题、作者、发布时间、正文中的图片地址和正文所在的标签源代码。GNE在提取今日头条、网易新闻、游民星空、 观察者网、凤凰网、腾讯新闻、ReadHub、新浪新闻等数百个中文新 ......
gne(generalnewsextractor)是一个通用新闻网站正文抽取模块,输入一篇新闻网页的 html, 输出正文内容、标题、作者、发布时间、正文中的图片地址和正文所在的标签源代码。gne在提取今日头条、网易新闻、游民星空、 观察者网、凤凰网、腾讯新闻、readhub、新浪新闻等数百个中文新闻网站上效果非常出色,几乎能够达到100%的准确率。
使用方式非常简单:
from gne import generalnewsextractor
extractor = generalnewsextractor()
html = '网站源代码'
result = extractor.extract(html)
print(result)
上一篇: 『拼多多』产品体验报告
下一篇: word2vec原理&代码 详细全面总结