爬取各大新闻网站所有新闻

最新推荐文章于 2024-02-23 11:42:53 发布

John Stones

最新推荐文章于 2024-02-23 11:42:53 发布

阅读量1.8k

点赞数

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/weixin_43380984/article/details/118531014

版权

为训练word2vec同义词模型，需要大量新闻数据作为语料库。目前遇到的问题是主流新闻网站使用滚动加载，限制了爬取数量。以网易为例，提供的接口只能获取最近1000篇新闻。解决此问题需要找到更深层的数据接口或者利用动态加载技术如Selenium来模拟用户行为，抓取更多历史新闻数据。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

如何通过爬虫爬取各大新闻网站过去一段时间内的所有新闻？
想利用word2vec训练一个同义词模型，准备采用新闻数据做为语料库。
但在爬取新闻的过程中发现，现在主流的新闻网站基本都是采用滚动式的新闻加载方式，也就是你鼠标滚轮一直向下拉就会不停的加载新的新闻出来。通过这种方式找到的数据接口（例如网易的 http://3g.163.com/touch/jsonp/sy/recommend/10-10.html），只能爬到最近的1000篇新闻
对应于鼠标滚轮滚到后最后就不会再加载新的新闻出来了，量太少了。

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。