寫在前面

原計劃繼續(xù)寫一篇Portia的使用博客，結(jié)果在編寫代碼途中發(fā)現(xiàn)，在windows7的DockerToolbox里面使用Portia錯誤實在是太多了，建議大家還是在Linux虛擬機或者直接在服務(wù)器上去運行。否則太耗費精力了~

今天我們轉(zhuǎn)移一下，介紹一款newspaper

newspaper

github地址 ： github.com/codelucas/n…

看名字應(yīng)該能猜到和報紙/新聞有關(guān)系，這個庫主要用于文章爬取和整理，國內(nèi)的一個大佬做的，當然他的github上也貼上了其他開發(fā)者的推薦

例如requests庫的作者在推特上的推薦語

"Newspaper is an amazing python library for extracting & curating articles."

The Changelog專門寫了一篇評價文章，也可以圍觀一下

Newspaper delivers Instapaper style article extraction.

對于這樣一款走出國門的爬蟲庫，我們還是很有必要介紹一下的

安裝非常簡單

pip install newspaper3k -i pypi.tuna.tsinghua.edu.cn/simple

官方文檔可以查閱：newspaper.readthedocs.io/en/latest/u…

newspaper框架的使用

對于這款框架，使用起來難度是非常低的。簡單對照這一頁文檔即可應(yīng)用起來

例如：單條新聞內(nèi)容獲取

第一種應(yīng)用方式，直接獲取網(wǎng)頁內(nèi)容

from newspaper import Article
url = "https://36kr.com/p/857678806293124"
article = Article(url) # 創(chuàng)建文章對象
article.download()        # 加載網(wǎng)頁
article.parse()           # 解析網(wǎng)頁
print(article.html) # 打印html文檔

當然還有一些其他屬性，不過該框架都是基于關(guān)鍵字識別的，有一些BUG存在，有時識別不準

# print(article.html) # 打印html文檔
print(article.text) # 新聞?wù)?
print("-"*100)
print(article.title) # 新聞標題
print("-"*100)
print(article.authors)  # 新聞作者
print("-"*100)
print(article.summary)   # 新聞?wù)?
print(article.keywords) # 新聞關(guān)鍵詞
# print(article.top_image) # 本文的top_image的URL
# print(article.images) # 本文中的所有圖像url

newspaper文章緩存

默認情況下，newspaper緩存所有待提取的文章，如果文章被爬取過之后就會清除掉它。此功能用于防止重復(fù)的文章和提高提取速度。可以使用memoize_articles參數(shù)選擇是否緩存。

但當我使用下面這個辦法進行提取的時候，神奇的BUG出現(xiàn)了，怎么也得不到我想要的文章了。唉~看來框架完善之路還是要繼續(xù)啊

import newspaper
url = "https://news.sina.com.cn/c/2020-08-29/doc-iivhvpwy3651884.shtml"
# article = Article(url) # 創(chuàng)建文章對象
# article.download()        # 加載網(wǎng)頁
# article.parse()           # 解析網(wǎng)頁
news = newspaper.build(url, language='zh', memoize_articles=False)
article = news.articles[0]
article.download()
article.parse()
print('title=',article.title)

其他功能

在應(yīng)用的過程中發(fā)現(xiàn)確實解析存在很大的問題，不過整體的框架設(shè)計思路還是非常棒的。有點高開低走 ，看到github上的評語其實對newspaper是非常有期待的，使用之后，我建議還是使用requests然后加上bs4自己搞搞更加合理。

除了上面簡單介紹到的功能，它還有一些擴展，例如下面這些

• requests和newspaper合體解析網(wǎng)頁正文，也就是用requests爬取，newspaper充當解析器
• 可以調(diào)用Google Trends信息
• 支持多任務(wù)爬取
• 支持NPL自然語言處理
• 甚至官方文檔還給了一個Easter Eggs復(fù)活節(jié)彩蛋~，可以拉倒文檔最下面查閱

唉~總之一言難盡啊

寫在后面

本打算 Python 玩轉(zhuǎn)NewSpaper爬蟲框架，看來是玩不轉(zhuǎn)了，擴展一下知識點也是極好的，當然github下載源碼之后，好好研究一下大佬的編碼規(guī)范，能學到很多。

以上就是Python爬蟲框架NewSpaper使用詳解的詳細內(nèi)容，更多關(guān)于Python爬蟲框架NewSpaper的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論