Python 教你 4 行代码开发新闻网站通用爬虫
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 GeneralNewsExtractorextractor = GeneralNewsExtractor()
html = '网站源代码'
result = extractor.extract(html)
print(result)
GNE 的输入是经过 js 渲染以后的
HTML 代码,所以 GNE 可以配合Selenium 或者 Pyppeteer 使用。
下图是 GNE 配合 Selenium 实现的一个 Demo:
对应的代码为:
import time
from gne import GeneralNewsExtractor
from selenium.webdriver import Chromedriver = Chrome('./chromedriver')
driver.get('https://www.toutiao.com/a6766986211736158727/')
time.sleep(3)
extractor = GeneralNewsExtractor()
result = extractor.extract(driver.page_source)
print(result)
下图是 GNE 配合 Pyppeteer 实现的 Demo:
对应代码如下:
import asyncio
from gne import GeneralNewsExtractor
from pyppeteer import launchasync def main():browser = await launch(executablePath='/Applications/Google Chrome.app/Contents/MacOS/Google Chrome')page = await browser.newPage()await page.goto('https://news.163.com/20/0101/17/F1QS286R000187R2.html')extractor = GeneralNewsExtractor()result = extractor.extract(await page.content())print(result)input('检查完成以后回到这里按下任意键')asyncio.run(main())
如何安装 GNE
现在你可以直接使用 pip 安装 GNE 了:
pip install gne
如果访问pypi 官方源太慢,你也可以使用网易源:
pip install gne -i https://mirrors.163.com/pypi/simple/
安装过程如下图所示:
功能特性
获取正文源代码
在extract()
方法只传入网页源代码,不添加任何额外参数时,GNE 返回如下字段:
title:新闻标题
publish_time:新闻发布时间
author:新闻作者
content:新闻正文
images: 正文中的图片(相对路径或者绝对路径)
可能有些朋友希望获取新闻正文所在标签的源代码,此时可以给extract()
方法传入with_body_html
参数,设置为 True:
extractor = GeneralNewsExtractor()
extractor.extract(html, with_body_html=True)
返回数据中将会增加一个字段body_html
,它的值就是正文对应的 HTML 源代码。
运行效果如下图所示:
总是返回图片的绝对路径
默认情况下,如果新闻中的图片使用的是相对路径,那么 GNE 返回的images
字段对应的值也是图片相对路径的列表。
如果你想始终让 GNE 返回绝对路径,那么你可以给extract()
方法增加host
参数,这个参数的值是图片的域名,例如:
extractor = GeneralNewsExtractor()
extractor.extract(html, host='https://www.kingname.info')
这样,如果新闻中的图片是/images/pic.png
,那么 GNE 返回时会自动把它变为https://www.kingname.info/images/pic.png
。
指定新闻标题所在的 XPath
GNE 预定义了一组 XPath 和正则表达式用于提取新闻的标题。但某些特殊的新闻网站可能无法提取标题,此时,你可以给extract()
方法指定title_xpath
参数,用于提取新闻标题:
extractor = GeneralNewsExtractor()
extractor.extract(html, title_xpath='//title/text()')
提前移除噪声标签
某些新闻下面可能会存在长篇大论的评论,这些评论看起来比新闻正文“更像”正文,为了防止他们干扰新闻的提取,可以通过给extract()
方法传入noise_node_list
参数,提前把这些噪声节点移除。noise_node_list
的值是一个列表,里面是一个或多个 XPath:
extractor = GeneralNewsExtractor()
extractor.extract(html, noise_node_list=['//div[@class="comment-list"]', '//*[@style="display:none"]'])
使用配置文件
API 中的参数 title_xpath
、 host
、 noise_node_list
、 with_body_html
除了直接写到 extract()
方法中外,还可以通过一个配置文件来设置。
!
请在项目的根目录创建一个文件 .gne
,配置文件可以用 YAML 格式,也可以使用 JSON 格式。
YAML 格式配置文件
title:xpath: //title/text()
host: https://www.xxx.com
noise_node_list:- //div[@class=\"comment-list\"]- //*[@style=\"display:none\"]
with_body_html: true
JSON 格式配置文件
{"title": {"xpath": "//title/text()"},"host": "https://www.xxx.com","noise_node_list": ["//div[@class=\"comment-list\"]","//*[@style=\"display:none\"]"],"with_body_html": true
}
这两种写法是完全等价的。
配置文件与 extract()
方法的参数一样,并不是所有字段都需要提供。你可以组合填写你需要的字段。
如果一个参数,既在 extract()
方法中,又在 .gne
配置文件中,但值不一样,那么 extract()
方法中的这个参数的优先级更高。
FAQ
GeneralNewsExtractor(以下简称GNE)是爬虫吗?
GNE不是爬虫,它的项目名称General News Extractor表示通用新闻抽取器。它的输入是HTML,输出是一个包含新闻标题,新闻正文,作者,发布时间的字典。你需要自行设法获取目标网页的HTML。
GNE 现在不会,将来也不会提供请求网页的功能。
GNE支持翻页吗?
GNE不支持翻页。因为GNE不会提供网页请求的功能,所以你需要自行获取每一页的HTML,并分别传递给GNE。
GNE支持哪些版本的Python?
不小于Python 3.6.0
我用requests/Scrapy获取的HTML传入GNE,为什么不能提取正文?
GNE是基于HTML来提取正文的,所以传入的HTML一定要是经过JavaScript渲染以后的HTML。而requests和Scrapy获取的只是JavaScript渲染之前的源代码,所以无法正确提取。
另外,有一些网页,例如今日头条,它的新闻正文实际上是以JSON格式直接写在网页源代码的,当页面在浏览器上面打开的时候,JavaScript把源代码里面的正文解析为HTML。这种情况下,你在Chrome上面就看不到Ajax请求。
所以建议你使用Puppeteer/Pyppeteer/Selenium之类的工具获取经过渲染的HTML再传入GNE。
GNE 支持非新闻类网站吗(例如博客、论坛……)
不支持。
关于 GNE
GNE 官方文档:https://generalnewsextractor.readthedocs.io/
GNE 的项目源代码在:https://github.com/kingname/GeneralNewsExtractor。
Python 教你 4 行代码开发新闻网站通用爬虫相关推荐
- python实现新闻网站_Python 教你 4 行代码开发新闻网站通用爬虫
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 ...
- 从另一页面调用html代码_GNE v0.1正式发布:4行代码开发新闻网站通用爬虫
摄影:产品经理GNE 比羊肉面还香! 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 ...
- python 250行代码开发一个贪吃蛇
python 250行代码开发一个贪吃蛇 1. 前提工作准备 2. 全局变量的定义与包的导入 3. 游戏开始界面初始化 4. 游戏界面的设置 4.1 游戏界面,使用一个Point类进行划分 4.2 预 ...
- Python教你几行代码生成一个自己的二维码名片
Python教你几行代码生成一个自己的二维码名片 第一步:安装相关的库文件: 要导入一库文件 from seqno import helpers#安装库seqno: pip install seqno ...
- python小游戏-16行代码实现3D撞球小游戏!-源码下载
python小游戏-16行代码实现3D撞球小游戏!-源码下载 所属网站分类: 资源下载 > python小游戏 作者:搞笑 链接: http://www.pythonheidong.com/bl ...
- Weex 300行代码开发一款简易的跑步App
通过Weex 300行代码开发一款简易的跑步App 2017-03-28 Weex正如它的目标, 一套构建高性能.可扩展的原生应用的跨平台开发方案 Weex 给大家带来的无疑是客户端开发效率的提升,我 ...
- 华为AppCube通过中国信通院“低代码开发平台通用能力要求”评估
摘要:华为AppCube应用魔方顺利通过信通院评估,被认证为具备 "低代码开发平台通用能力"的企业服务平台. 本文分享自华为云社区<华为AppCube通过中国信通院" ...
- 基于python的证件照_20行代码教你用python给证件照换底色的方法示例
1.图片来源 该图片来源于百度图片,如果侵权,请联系我删除!图片仅用于知识交流. 2.读取图片并显示 imread():读取图片: imshow():展示图片: waitkey():设置窗口等待,如果 ...
- Python仅用3行代码就能输出花式字符串图集,同事直呼666!
Python用3行代码输出花式字符串图集,同事直呼666! 高逼格的日志 springboot 相信Java程序员看到上面的图,一定不会陌生.没错,springboot的启动日志.不知道其他人怎么想, ...
最新文章
- SpringBoot 2.3 新特性之优雅停机,这波操作太秀了!
- linux内存真实使用情况,为什么TOP看不出真实的内存占用情况?
- 【CentOS】EOF使用
- SDK目录结构和adb工具及命令介绍
- 编写高性能 .NET 代码 第二章:垃圾回收 基本操作
- (上)python3 selenium3 从框架实现代码学习selenium让你事半功倍
- 机器学习笔记(八):神经网络:学习
- 翻译连载 | 附录 A:Transducing(下)-《JavaScript轻量级函数式编程》 |《你不知道的JS》姊妹篇...
- 二十三种设计模式详解
- (二)PyQt5基础学习
- 基于变长PSO的高维特征选择算法(VLPSO)概述
- java编译软件 Eclipse 的安装与使用
- CKEditor配置及使用
- 培养使用计算机的良好道德规范,浅谈如何提高学生学习信息技术的兴趣
- 逻辑漏洞之任意密码重置
- python 估值模型_【中金固收·固收+】隐藏价值的角落:限售股AAP估值及Python实现方法(上)...
- PC博物馆(番外01)-城会玩,初中生开发实体尺规大航海游戏
- 渗透测试漏洞平台DVWA-参考答案
- 通用方法 关闭Outlook最小化非直接退出
- 审计学习-审计概述02(政府审计和注册会计师审计+职业责任和期望差距+审计报告和信息差距+审计五要素+三方关系人+责任方责任+审计报告预期使用者+鉴证对象+披露+财报编制基础)