欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

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)
使用Newspaper3k框架快速抓取文章信息