python爬虫智能解析之newspaper

前言:

最近抓取了某查新闻舆情维度的数据,业务需求做一个情感分析,需要抓取相关链接的正文(因某查抓下来的只有摘要),新闻舆情的链接已经抓下来了,但是如下图所示这么多网站:

在这里插入图片描述我总不能每个网站写一个爬虫抓正文吧,那不得累死!于是想起来之前听过的智能化解析,遂学习一番,现需求任务已完成,在此做个记录总结与分享.

1. newspaper简介、特点及安装

  • 简介

    newspaper库分为Python2和Python3两个版本,Python2下的版本叫做newspaper,Python3下的版本叫做newspaper3k,Python2版本的不做说明,下面使用Python3版本来进行测试。

  • 特点
    • 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
    • 谷歌趋势词提取
    • 支持 10 多种语言(英语、中文、德语、阿拉伯语……)
  • 安装
    1. 其GitHub地址是:https://github.com/codelucas/newspaper

    2. 官方文档地址是:https://newspaper.readthedocs.io

    3. 在安装之前需要安装一些依赖库:

      beautifulsoup4>=4.4.1
      cssselect>=0.9.2
      feedfinder2>=0.0.4
      feedparser>=5.2.1
      jieba3k>=0.35.1
      lxml>=3.6.0
      nltk>=3.2.1
      Pillow>=3.3.0
      pythainlp>=1.7.2
      python-dateutil>=2.5.3
      PyYAML>=3.11
      requests>=2.10.0
      tinysegmenter==0.3  # TODO(codelucas): Investigate making this >=0.3
      tldextract>=2.0.1
      

      也可以参考官方的说明:https://github.com/codelucas/newspaper#get-it-now。

    4. 这些依赖库安装完成之后,使用pip安装newspaper3k

      pip3 install newspaper3k
      

      至此已安装完成,之后就可以愉快的使用了

2. newspaper的使用

  • 官方文档给出的是英文网站,上代码感受一下

    >>> from newspaper import Article
    
    >>> url = 'http://fox13now.com/2013/12/30/new-year-new-laws-obamacare-pot-guns-and-drones/'
    >>> article = Article(url)
    
    >>> article.download()
    
    >>> article.html
    '<!DOCTYPE HTML><html itemscope itemtype="http://...'
    
    >>> article.parse()
    
    >>> article.authors
    ['Leigh Ann Caldwell', 'John Honway']
    
    >>> article.publish_date
    datetime.datetime(2013, 12, 30, 0, 0)
    
    >>> article.text
    'Washington (CNN) -- Not everyone subscribes to a New Year's resolution...'
    
    >>> article.top_image
    'http://someCDN.com/blah/blah/blah/file.png'
    
    >>> article.movies
    ['http://youtube.com/path/to/link.com', ...]
    
    >>> article.nlp()
    
    >>> article.keywords
    ['New Years', 'resolution', ...]
    
    >>> article.summary
    'The study shows that 93% of people ...'
    

    可以看到,首先要导入Article类,直接传入url参数,其次调用download()方法,将网页加载出来,然后调用parse()方法对网页内容进行智能解析,可以解析出来authors,publish_date,title,text,image,movies等等.

    另外还有个nlp()方法,可以提取keywords,summary等等.详细的可以查看官方文档.

  • 我需要抓取的是中文网站,Article中还需传入language,支持的语言如下:

    >>> import newspaper
    >>> newspaper.languages()
    
    
    Your available languages are:
    
    input code		full name
      ar			  Arabic
      be			  Belarusian
      bg			  Bulgarian
      da			  Danish
      de			  German
      el			  Greek
      en			  English
      es			  Spanish
      et			  Estonian
      fa			  Persian
      fi			  Finnish
      fr			  French
      he			  Hebrew
      hi			  Hindi
      hr			  Croatian
      hu			  Hungarian
      id			  Indonesian
      it			  Italian
      ja			  Japanese
      ko			  Korean
      mk			  Macedonian
      nb			  Norwegian (Bokmål)
      nl			  Dutch
      no			  Norwegian
      pl			  Polish
      pt			  Portuguese
      ro			  Romanian
      ru			  Russian
      sl			  Slovenian
      sr			  Serbian
      sv			  Swedish
      sw			  Swahili
      tr			  Turkish
      uk			  Ukrainian
      vi			  Vietnamese
      zh			  Chinese
    
  • 直接上代码:

    from newspaper import Article
    
    
    url = ''
    try:
        article = Article(url, language='zh')
        article.download()
        print('html:', article.html)
    
        article.parse()
        print('authors:', article.authors)
        print('title:', article.title)
        print('date:', article.publish_date)
        print('text:', article.text)
        print('text_len:', len(article.text))
        print('top image:', article.top_image)
        print('images:', article.images)
        print('movies:', article.movies)
    
        # article.nlp()
        # print('keywords:', article.keywords)
        # print('summary:', article.summary)
    
    except newspaper.article.ArticleException:
        print(e)
    

    如果download()出错,会抛出一个newspaper.article.ArticleException的异常.

  • 到这里就结束啦,虽然很简单,但是newspaper确实给我省了不少事情,不过有一些特殊的网站提取不到,准确率还算可以吧.

  • 还有一个Diffbot,好像更好用,只是需要工作邮箱,各种原因注册不上,试用期两周之后会收费.

  • 1
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

风前絮啊

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值