使用Newspaper3k框架快速抓取文章信息
程序员文章站
2022-03-20 16:34:22
一、框架介绍 这是 Newspaper 的github链接: 这是 Newspaper文档说明的链接: https://newspaper.readthedocs.io/en/latest/ 这是 Newspaper快速入门的链接: https://newspaper.readthedocs.io/ ......
一、框架介绍
newspaper是一个python3库,但是newspaper框架并不适用于实际工程类新闻信息爬取工作,框架不稳定,爬取过程中会有各种bug,例如获取不到url、新闻信息等,但对于想获取一些新闻语料的朋友不妨一试,简单方便易上手,且不需要掌握太多关于爬虫方面的专业知识。
这是 newspaper 的github链接:
https://github.com/codelucas/newspaper
这是 newspaper文档说明的链接:
https://newspaper.readthedocs.io/en/latest/
这是 newspaper快速入门的链接:
https://newspaper.readthedocs.io/en/latest/user_guide/quickstart.html
安装方法:
pip3 install newspaper3k
二、功能
主要功能如下:
-
多线程文章下载框架
-
新闻网址识别
-
从html中提取文本
-
从html中提取顶部图像
-
从html中提取所有图像
-
从文本中提取关键字
-
从文本中提取摘要
-
从文本中提取作者
-
google趋势术语提取。
-
使用10种以上语言(英语,中文,德语,阿拉伯语……)
介绍:
1.建立新闻来源
import newspaper web_paper = newspaper.build("http://www.sxdi.gov.cn/gzdt/jlsc/", language="zh", memoize_articles=false)
注:文章缓存:默认情况下,newspaper缓存所有以前提取的文章,并删除它已经提取的任何文章。此功能用于防止重复的文章和提高提取速度。可以使用memoize_articles参数选择退出此功能。
2.提取文章的url
for article in web_paper.articles: print(article.url) output: http://www.sxdi.gov.cn/gzdt/jlsc/2019101220009.html http://www.sxdi.gov.cn/gzdt/jlsc/2019101119998.html http://www.sxdi.gov.cn/gzdt/jlsc/2019100919989.html http://www.sxdi.gov.cn/gzdt/jlsc/2019100819980.html http://www.sxdi.gov.cn/gzdt/jlsc/2019092919940.html http://www.sxdi.gov.cn/gzdt/jlsc/2019092919933.html ....
3.提取源类别
for category in web_paper.category_urls(): print(category) output: http://www.sxdi.gov.cn/gzdt/jlsc/....
4.提取源提要
for feed_url in web_paper.feed_urls(): print(feed_url)
5.提取源品牌和描述
print(web_paper.brand) # 品牌 print(web_paper.description) # 描述 print("一共获取%s篇文章" % web_paper.size()) # 文章的数目
6.下载文章
from newspaper import article article = article("http://www.sol.com.cn/", language='zh') # chinese article.download()
7.解析文章并提取想要的信息
article.parse() #网页解析 print("title=",article.title) # 获取文章标题 print("author=", article.authors) # 获取文章作者 print("publish_date=", article.publish_date) # 获取文章日期 print("top_iamge=",article.top_image) # 获取文章顶部图片地址 print("movies=",article.movies) # 获取文章视频链接 print("text=",article.text,"\n") # 获取文章正文 article.nlp() print('keywords=',article.keywords)#从文本中提取关键字 print("summary=",article.summary)# 获取文章摘要 print("images=",article.images)#从html中提取所有图像 print("imgs=",article.imgs) print("html=",article.html)#获取html
简单例子:
import newspaper from newspaper import article def spider_newspaper_url(url): """ 默认情况下,newspaper缓存所有以前提取的文章,并删除它已经提取的任何文章。 使用memoize_articles参数选择退出此功能。 """ web_paper = newspaper.build(url, language="zh", memoize_articles=false) print("提取新闻页面的url!!!") for article in web_paper.articles: # 获取新闻网页的url print("新闻页面url:", article.url) # 调用spider_newspaper_information函数获取新闻网页数据 spider_newspaper_information(article.url) print("一共获取%s篇文章" % web_paper.size()) # 文章的数目 # 获取文章的信息 def spider_newspaper_information(url): # 建立链接和下载文章 article = article(url, language='zh') # chinese article.download() article.parse() # 获取文章的信息 print("title=", article.title) # 获取文章标题 print("author=", article.authors) # 获取文章作者 print("publish_date=", article.publish_date) # 获取文章日期 # print("top_iamge=", article.top_image) # 获取文章顶部图片地址 # print("movies=", article.movies) # 获取文章视频链接 print("text=", article.text, "\n") # 获取文章正文 print("summary=", article.summary) # 获取文章摘要 if __name__ == "__main__": web_lists = ["http://www.sxdi.gov.cn/gzdt/jlsc/","http://www.people.com.cn/gb/59476/"] for web_list in web_lists: spider_newspaper_url(web_list)
上一篇: EChart绘制风速风向曲线分析图