【趣味案例】Python 教你 4 行代碼開發(fā)新聞網(wǎng)站通用爬蟲

時間：2023-05-27 19:54:01 | 來源：網(wǎng)站運營

時間：2023-05-27 19:54:01 來源：網(wǎng)站運營

【趣味案例】Python 教你 4 行代碼開發(fā)新聞網(wǎng)站通用爬蟲：GNE（GeneralNewsExtractor）是一個通用新聞網(wǎng)站正文抽取模塊，輸入一篇新聞網(wǎng)頁的 HTML， 輸出正文內(nèi)容、標(biāo)題、作者、發(fā)布時間、正文中的圖片地址和正文所在的標(biāo)簽源代碼。GNE在提取今日頭條、網(wǎng)易新聞、游民星空、 觀察者網(wǎng)、鳳凰網(wǎng)、騰訊新聞、ReadHub、新浪新聞等數(shù)百個中文新聞網(wǎng)站上效果非常出色，幾乎能夠達到100%的準(zhǔn)確率。

使用方式非常簡單：

from gne import GeneralNewsExtractorextractor = GeneralNewsExtractor()html = '網(wǎng)站源代碼'result = extractor.extract(html)print(result)GNE 的輸入是經(jīng)過 js 渲染以后的 HTML 代碼，所以 GNE 可以配合Selenium 或者 Pyppeteer 使用。

下圖是 GNE 配合 Selenium 實現(xiàn)的一個 Demo：







對應(yīng)的代碼為：

import timefrom gne import GeneralNewsExtractorfrom 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)下圖是 GNE 配合 Pyppeteer 實現(xiàn)的 Demo：







對應(yīng)代碼如下：

import asynciofrom gne import GeneralNewsExtractorfrom 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('檢查完成以后回到這里按下任意鍵')asyncio.run(main())

如何安裝 GNE

現(xiàn)在你可以直接使用 pip 安裝 GNE 了：

pip install gne如果訪問pypi 官方源太慢，你也可以使用網(wǎng)易源：

pip install gne -i https://mirrors.163.com/pypi/simple/安裝過程如下圖所示：

功能特性

獲取正文源代碼

在extract()方法只傳入網(wǎng)頁源代碼，不添加任何額外參數(shù)時，GNE 返回如下字段：

• title：新聞標(biāo)題
• publish_time：新聞發(fā)布時間
• author：新聞作者
• content：新聞?wù)?/li>
• images: 正文中的圖片（相對路徑或者絕對路徑）

可能有些朋友希望獲取新聞?wù)乃跇?biāo)簽的源代碼，此時可以給extract()方法傳入with_body_html參數(shù)，設(shè)置為 True：

extractor = GeneralNewsExtractor()extractor.extract(html, with_body_html=True)返回數(shù)據(jù)中將會增加一個字段body_html，它的值就是正文對應(yīng)的 HTML 源代碼。

運行效果如下圖所示：

總是返回圖片的絕對路徑

默認(rèn)情況下，如果新聞中的圖片使用的是相對路徑，那么 GNE 返回的images字段對應(yīng)的值也是圖片相對路徑的列表。

如果你想始終讓 GNE 返回絕對路徑，那么你可以給extract()方法增加host參數(shù)，這個參數(shù)的值是圖片的域名，例如：

extractor = GeneralNewsExtractor()extractor.extract(html, host='https://www.kingname.info')這樣，如果新聞中的圖片是/images/pic.png，那么 GNE 返回時會自動把它變?yōu)?code>https://www.kingname.info/images/pic.png。

指定新聞標(biāo)題所在的 XPath

GNE 預(yù)定義了一組 XPath 和正則表達式用于提取新聞的標(biāo)題。但某些特殊的新聞網(wǎng)站可能無法提取標(biāo)題，此時，你可以給extract()方法指定title_xpath參數(shù)，用于提取新聞標(biāo)題：

extractor = GeneralNewsExtractor()extractor.extract(html, title_xpath='//title/text()')

提前移除噪聲標(biāo)簽

某些新聞下面可能會存在長篇大論的評論，這些評論看起來比新聞?wù)摹案瘛闭?，為了防止他們干擾新聞的提取，可以通過給extract()方法傳入noise_node_list參數(shù)，提前把這些噪聲節(jié)點移除。noise_node_list的值是一個列表，里面是一個或多個 XPath：

extractor = GeneralNewsExtractor()extractor.extract(html, noise_node_list=['//div[@class="comment-list"]', '//*[@style="display:none"]'])

使用配置文件

API 中的參數(shù) title_xpath、 host、 noise_node_list、 with_body_html除了直接寫到 extract()方法中外，還可以通過一個配置文件來設(shè)置。

請在項目的根目錄創(chuàng)建一個文件 .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.comnoise_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}這兩種寫法是完全等價的。

配置文件與 extract() 方法的參數(shù)一樣，并不是所有字段都需要提供。你可以組合填寫你需要的字段。

如果一個參數(shù)，既在 extract() 方法中，又在 .gne 配置文件中，但值不一樣，那么 extract() 方法中的這個參數(shù)的優(yōu)先級更高。

FAQ

GeneralNewsExtractor(以下簡稱GNE)是爬蟲嗎？

GNE不是爬蟲，它的項目名稱General News Extractor表示通用新聞抽取器。它的輸入是HTML，輸出是一個包含新聞標(biāo)題，新聞?wù)?，作者，發(fā)布時間的字典。你需要自行設(shè)法獲取目標(biāo)網(wǎng)頁的HTML。

GNE 現(xiàn)在不會，將來也不會提供請求網(wǎng)頁的功能。

GNE支持翻頁嗎？

GNE不支持翻頁。因為GNE不會提供網(wǎng)頁請求的功能，所以你需要自行獲取每一頁的HTML，并分別傳遞給GNE。

GNE支持哪些版本的Python？

不小于Python 3.6.0

我用requests/Scrapy獲取的HTML傳入GNE，為什么不能提取正文？

GNE是基于HTML來提取正文的，所以傳入的HTML一定要是經(jīng)過JavaScript渲染以后的HTML。而requests和Scrapy獲取的只是JavaScript渲染之前的源代碼，所以無法正確提取。

另外，有一些網(wǎng)頁，例如今日頭條，它的新聞?wù)膶嶋H上是以JSON格式直接寫在網(wǎng)頁源代碼的，當(dāng)頁面在瀏覽器上面打開的時候，JavaScript把源代碼里面的正文解析為HTML。這種情況下，你在Chrome上面就看不到Ajax請求。

所以建議你使用Puppeteer/Pyppeteer/Selenium之類的工具獲取經(jīng)過渲染的HTML再傳入GNE。

GNE 支持非新聞類網(wǎng)站嗎（例如博客、論壇……）

不支持。

成長離不開與優(yōu)秀的伙伴共同學(xué)習(xí)，如果你需要好的學(xué)習(xí)環(huán)境，好的學(xué)習(xí)資源，項目教程，零基礎(chǔ)學(xué)習(xí)，這里歡迎每一位熱愛Python的小伙伴，點擊：Python學(xué)習(xí)圈