01.06 4 行 Python 代码开发新闻网站通用爬虫

优质文章,第一时间送达!

4 行 Python 代码开发新闻网站通用爬虫

文 | 青南

出处 | 掘金

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:

<code>from gne import GeneralNewsExtractor

extractor = GeneralNewsExtractor
html = '网站源代码'
result = extractor.extract(html)
print(result)
/<code>

GNE 的输入是 <code>经过 js 渲染以后的/<code>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:

4 行 Python 代码开发新闻网站通用爬虫

对应的代码为:

<code>import time
from gne import GeneralNewsExtractor
from selenium.webdriver import Chrome


driver = Chrome('./chromedriver')
driver.get('https://www.toutiao.com/a6766986211736158727/')
time.sleep(3)
extractor = GeneralNewsExtractor
result = extractor.extract(driver.page_source)
print(result)
/<code>

下图是 GNE 配合 Pyppeteer 实现的 Demo:

4 行 Python 代码开发新闻网站通用爬虫

对应代码如下:

<code>import asyncio
from gne import GeneralNewsExtractor
from pyppeteer import launch


async 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)
/<code>

如何安装 GNE

现在你可以直接使用 pip 安装 GNE 了:

<code>pip install gne
/<code>

如果访问 pypi 官方源太慢,你也可以使用网易源:

<code>pip install gne -i https://mirrors.163.com/pypi/simple/
/<code>

安装过程如下图所示:

4 行 Python 代码开发新闻网站通用爬虫

功能特性

获取正文源代码

在 <code>extract/<code>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 <code>extract/<code>方法传入<code>with_body_html/<code>参数,设置为 True:

<code>extractor = GeneralNewsExtractor
extractor.extract(html, with_body_html=True)
/<code>

返回数据中将会增加一个字段 <code>body_html/<code>,它的值就是正文对应的 HTML 源代码。

运行效果如下图所示:

4 行 Python 代码开发新闻网站通用爬虫

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 <code>images/<code>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 <code>extract/<code>方法增加<code>host/<code>参数,这个参数的值是图片的域名,例如:

<code>extractor = GeneralNewsExtractor
extractor.extract(html, host='https://www.kingname.info')
/<code>

这样,如果新闻中的图片是 <code>/images/pic.png/<code>,那么 GNE 返回时会自动把它变为<code>https://www.kingname.info/images/pic.png/<code>。

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 <code>extract/<code>方法指定<code>title_xpath/<code>参数,用于提取新闻标题:

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

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 <code>extract/<code>方法传入<code>noise_node_list/<code>参数,提前把这些噪声节点移除。<code>noise_node_list/<code>的值是一个列表,里面是一个或多个 XPath:

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

使用配置文件

API 中的参数 <code>title_xpath/<code>、<code>host/<code>、<code>noise_node_list/<code>、<code>with_body_html/<code>除了直接写到<code>extract/<code>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 <code>.gne/<code>,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

<code>title:
xpath: //title/text
host: https://www.xxx.com
noise_node_list:
- //div[@class="comment-list"]
- //*[@style="display:none"]
with_body_html: true
/<code>
  • JSON 格式配置文件

<code>{
"title": {
"xpath": "//title/text"
},
"host": "https://www.xxx.com",
"noise_node_list": ["//div[@class="comment-list"]",
"//*[@style="display:none"]"],
"with_body_html": true
}
/<code>

这两种写法是完全等价的。

配置文件与 <code>extract/<code>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 <code>extract/<code>方法中,又在<code>.gne/<code>配置文件中,但值不一样,那么<code>extract/<code>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。

原文链接:https://juejin.im/post/5e0c7c546fb9a047f66eafea


分享到:


相關文章: