使用Newspaper3k框架快速抓取文章信息

一、框架介绍

Newspaper是一个python3库,但是Newspaper框架并不适用于实际工程类新闻信息爬取工作，框架不稳定，爬取过程中会有各种bug，例如获取不到url、新闻信息等，但对于想获取一些新闻语料的朋友不妨一试，简单方便易上手，且不需要掌握太多关于爬虫方面的专业知识。

这是 Newspaper 的github链接:

https://github.com/codelucas/newspaper

这是 Newspaper文档说明的链接:

https://newspaper.readthedocs.io/en/latest/

这是 Newspaper快速入门的链接:

https://newspaper.readthedocs.io/en/latest/user_guide/quickstart.html

安装方法：

pip3 install newspaper3k

二、功能

主要功能如下:

• 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

• Google趋势术语提取。

• 使用10种以上语言（英语，中文，德语，阿拉伯语……）

介绍:

1.建立新闻来源

import newspaper
web_paper = newspaper.build("http://www.sxdi.gov.cn/gzdt/jlsc/", language="zh", memoize_articles=False)

注：文章缓存：默认情况下，newspaper缓存所有以前提取的文章，并删除它已经提取的任何文章。此功能用于防止重复的文章和提高提取速度。可以使用memoize_articles参数选择退出此功能。

2.提取文章的url

for article in web_paper.articles:
    print(article.url)
output:
http://www.sxdi.gov.cn/gzdt/jlsc/2019101220009.html
http://www.sxdi.gov.cn/gzdt/jlsc/2019101119998.html
http://www.sxdi.gov.cn/gzdt/jlsc/2019100919989.html
http://www.sxdi.gov.cn/gzdt/jlsc/2019100819980.html
http://www.sxdi.gov.cn/gzdt/jlsc/2019092919940.html
http://www.sxdi.gov.cn/gzdt/jlsc/2019092919933.html
.... 

3.提取源类别

for category in web_paper.category_urls():
    print(category)
output:
http://www.sxdi.gov.cn/gzdt/jlsc/....

4.提取源提要

for feed_url in web_paper.feed_urls():
    print(feed_url)

5.提取源品牌和描述

print(web_paper.brand)  # 品牌
print(web_paper.description) # 描述
print("一共获取%s篇文章" % web_paper.size())  # 文章的数目

6.下载文章

from  newspaper import Article
article = Article("http://www.sol.com.cn/", language='zh')  # Chinese
article.download()
 

7.解析文章并提取想要的信息

article.parse()  #网页解析
print("title=",article.title)    # 获取文章标题
print("author=", article.authors)   # 获取文章作者
print("publish_date=", article.publish_date)   # 获取文章日期
print("top_iamge=",article.top_image)   # 获取文章顶部图片地址
print("movies=",article.movies)   # 获取文章视频链接
print("text=",article.text,"\n")     # 获取文章正文
article.nlp()
print('keywords=',article.keywords)#从文本中提取关键字
print("summary=",article.summary)# 获取文章摘要
print("images=",article.images)#从html中提取所有图像
print("imgs=",article.imgs)
print("html=",article.html)#获取html
 

简单例子:

import newspaper
from newspaper import Article

def spider_newspaper_url(url):
    """
    默认情况下，newspaper缓存所有以前提取的文章，并删除它已经提取的任何文章。
    使用memoize_articles参数选择退出此功能。
    """
    web_paper = newspaper.build(url, language="zh", memoize_articles=False)
    print("提取新闻页面的url！！！")
    for article in web_paper.articles:
    # 获取新闻网页的url
        print("新闻页面url:", article.url)
# 调用spider_newspaper_information函数获取新闻网页数据
        spider_newspaper_information(article.url)

    print("一共获取%s篇文章" % web_paper.size())  # 文章的数目

# 获取文章的信息
def spider_newspaper_information(url):
    # 建立链接和下载文章
    article = Article(url, language='zh')  # Chinese
    article.download()
    article.parse()

# 获取文章的信息
    print("title=", article.title)  # 获取文章标题
    print("author=", article.authors)  # 获取文章作者
    print("publish_date=", article.publish_date)  # 获取文章日期
    # print("top_iamge=", article.top_image)  # 获取文章顶部图片地址
    # print("movies=", article.movies)  # 获取文章视频链接
    print("text=", article.text, "\n")  # 获取文章正文
    print("summary=", article.summary)  # 获取文章摘要

if __name__ == "__main__":
    web_lists = ["http://www.sxdi.gov.cn/gzdt/jlsc/","http://www.people.com.cn/GB/59476/"]
    for web_list in web_lists:
        spider_newspaper_url(web_list)