新闻网站通用抽取器GNE v0.04版更新,支持提取正文图片与源代码
GeneralNewsExtractor(以下简称 GNE)是一个新闻网页通用抽取器,能够在不指定任何抽取规则的情况下,把新闻网站的正文提取出来。
https://bbs.nightteam.cn/upload/images/201911/12_41_57_26007
https://bbs.nightteam.cn/upload/images/201911/12_42_08_73063 https://bbs.nightteam.cn/upload/images/201911/12_42_19_75730
我们来看一下它的基本使用方法。
安装 GNE
使用 pip 安装:
bash pip install --upgrade git+https://github.com/kingname/GeneralNewsExtractor.git
当然你也可以使用 pipenv 安装:
bash pipenv install git+https://github.com/kingname/GeneralNewsExtractor.git#egg=gne
获取新闻网页源代码
GNE 现在不会,将来也不会提供网页请求的功能,所以你需要自行想办法获取经过渲染以后的网页源代码。你可以使用 Selenium 或者 Pyppeteer 或者直接从浏览器上复制。
这里演示如何直接从浏览器中复制网页的源代码:
1. 在 Chrome 浏览器中打开对应页面,然后开启开发者工具,如下图所示:
https://kingname-1257411235.cos.ap-chengdu.myqcloud.com/2019-11-25-22-21-06.png
2. 在Elements标签页定位到标签,并右键,选择Copy-Copy OuterHTML,如下图所示:
https://kingname-1257411235.cos.ap-chengdu.myqcloud.com/2019-11-25-22-22-12.png
3. 把源代码保存为1.html
提取正文信息
编写如下代码:
from gne import GeneralNewsExtractor
with open('1.html') as f:
html = f.read()
extractor = GeneralNewsExtractor()
result = extractor.extract(html)
print(result)
运行效果如下图所示:
https://kingname-1257411235.cos.ap-chengdu.myqcloud.com/2019-11-25-22-41-02.png
这次更新了什么
在最新更新的 v0.04版本中,开放了正文图片提取功能,与返回正文源代码功能。其中返回图片 URL 的功能在上面已经演示了,结果中的 images 字段就是正文中的图片。
那么怎么返回正文源代码呢?只需要增加一个参数 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)
运行效果如下图所示:
https://kingname-1257411235.cos.ap-chengdu.myqcloud.com/2019-11-25-22-42-45.png
返回结果中的 body_html 就是正文的 html 源代码。
关于 GNE 的深入使用,可以访问GNE 的Github: https://github.com/kingname/GeneralNewsExtractor。
这个库的功能性非常强,而且实用性极高,我也推荐大家去了解 GNE
对于做舆情和新闻站爬虫的工程师来说,这个库就相当于给正在打游戏的你换上了一副机械键盘——丝滑! 强 给大佬递烟 非常好用,常见网站通杀 感谢2楼的肯定。 厉害 感谢 看介绍是个好东西 支持大佬!!!