GeneralNewsExtractor
以下簡稱GNE
是一個新聞網頁通用抽取器,能夠在不指定任何抽取規則的情況下,把新聞網站的正文提取出來。
我們來看一下它的基本使用方法。
安裝 GNE
使用 pip 安裝:
pip install --upgrade git+https://github.com/kingname/GeneralNewsExtractor.git
當然你也可以使用pipenv
安裝:
pipenv install git+https://github.com/kingname/GeneralNewsExtractor.git#egg=gne
獲取新聞網頁源代碼
GNE 現在不會,將來也不會提供網頁請求的功能,所以你需要自行想辦法獲取經過渲染以後的
網頁源代碼。你可以使用Selenium
或者Pyppeteer
或者直接從瀏覽器上覆制。
這裏演示如何直接從瀏覽器中複製網頁的源代碼:
- 在 Chrome 瀏覽器中打開對應頁面,然後開啓開發者工具,如下圖所示:
- 在Elements標籤頁定位到標籤,並右鍵,選擇Copy-Copy OuterHTML,如下圖所示
- 把源代碼保存爲1.html
提取正文信息
編寫如下代碼:
from gne import GeneralNewsExtractor
with open('1.html') as f:
html = f.read()
extractor = GeneralNewsExtractor()
result = extractor.extract(html)
print(result)
運行效果如下圖所示:
這次更新了什麼
在最新更新的 v0.04版本中,開放了正文圖片提取功能,與返回正文源代碼功能。其中返回圖片 URL 的功能在上面已經演示了,結果中的images
字段就是正文中的圖片。
那麼怎麼返回正文源代碼呢?只需要增加一個參數with_body_html=True
即可:
from gne import GeneralNewsExtractor
with open('1.html') as f:
html = f.read()
extractor = GeneralNewsExtractor()
result = extractor.extract(html, with_body_html=True)
print(result)
運行效果如下圖所示:
返回結果中的body_html
就是正文的 html 源代碼。
關於 GNE 的深入使用,可以訪問GNE 的Github: https://github.com/kingname/GeneralNewsExtractor。