GNE: 4行代碼實現新聞類網站通用爬蟲

本文轉載自查看原文 2020-01-03 12:59 2750 爬蟲/ 通用爬蟲/ Python/ gne

GNE（GeneralNewsExtractor）是一個通用新聞網站正文抽取模塊，輸入一篇新聞網頁的 HTML，輸出正文內容、標題、作者、發布時間、正文中的圖片地址和正文所在的標簽源代碼。GNE在提取今日頭條、網易新聞、游民星空、觀察者網、鳳凰網、騰訊新聞、ReadHub、新浪新聞等數百個中文新聞網站上效果非常出色，幾乎能夠達到100%的准確率。

使用方式非常簡單：

from gne import GeneralNewsExtractor

extractor = GeneralNewsExtractor()
html = '網站源代碼'
result = extractor.extract(html)
print(result)

GNE 的輸入是經過 js 渲染以后的 HTML 代碼，所以 GNE 可以配合Selenium 或者 Pyppeteer 使用。

下圖是 GNE 配合 Selenium 實現的一個 Demo：

對應的代碼為：

import time
from gne import GeneralNewsExtractor
from selenium.webdriver import Chrome


driver = Chrome('./chromedriver')
driver.get('https://www.toutiao.com/a6766986211736158727/')
time.sleep(3)
extractor = GeneralNewsExtractor()
result = extractor.extract(driver.page_source)
print(result)

下圖是 GNE 配合 Pyppeteer 實現的 Demo：

對應代碼如下：

import asyncio
from gne import GeneralNewsExtractor
from pyppeteer import launch

async def main():
    browser = await launch(executablePath='/Applications/Google Chrome.app/Contents/MacOS/Google Chrome')
    page = await browser.newPage()
    await page.goto('https://news.163.com/20/0101/17/F1QS286R000187R2.html')
    extractor = GeneralNewsExtractor()
    result = extractor.extract(await page.content())
    print(result)
    input('檢查完成以后回到這里按下任意鍵')

asyncio.run(main())

如何安裝 GNE

現在你可以直接使用 pip 安裝 GNE 了：

pip install gne

如果訪問pypi 官方源太慢，你也可以使用網易源：

pip install gne -i https://mirrors.163.com/pypi/simple/

安裝過程如下圖所示：

功能特性

獲取正文源代碼

在extract()方法只傳入網頁源代碼，不添加任何額外參數時，GNE 返回如下字段：

title：新聞標題
publish_time：新聞發布時間
author：新聞作者
content：新聞正文
images: 正文中的圖片（相對路徑或者絕對路徑）

可能有些朋友希望獲取新聞正文所在標簽的源代碼，此時可以給extract()方法傳入with_body_html參數，設置為 True：

extractor = GeneralNewsExtractor()
extractor.extract(html, with_body_html=True)

返回數據中將會增加一個字段body_html，它的值就是正文對應的 HTML 源代碼。

運行效果如下圖所示：

總是返回圖片的絕對路徑

默認情況下，如果新聞中的圖片使用的是相對路徑，那么 GNE 返回的images字段對應的值也是圖片相對路徑的列表。

如果你想始終讓 GNE 返回絕對路徑，那么你可以給extract()方法增加host參數，這個參數的值是圖片的域名，例如：

extractor = GeneralNewsExtractor()
extractor.extract(html, host='https://www.kingname.info')

這樣，如果新聞中的圖片是/images/pic.png，那么 GNE 返回時會自動把它變為https://www.kingname.info/images/pic.png。

指定新聞標題所在的 XPath

GNE 預定義了一組 XPath 和正則表達式用於提取新聞的標題。但某些特殊的新聞網站可能無法提取標題，此時，你可以給extract()方法指定title_xpath參數，用於提取新聞標題：

extractor = GeneralNewsExtractor()
extractor.extract(html, title_xpath='//title/text()')

提前移除噪聲標簽

某些新聞下面可能會存在長篇大論的評論，這些評論看起來比新聞正文“更像”正文，為了防止他們干擾新聞的提取，可以通過給extract()方法傳入noise_node_list參數，提前把這些噪聲節點移除。noise_node_list的值是一個列表，里面是一個或多個 XPath：

extractor = GeneralNewsExtractor()
extractor.extract(html, noise_node_list=['//div[@class="comment-list"]', '//*[@style="display:none"]'])

使用配置文件

API 中的參數 title_xpath、 host、 noise_node_list、 with_body_html除了直接寫到 extract() 方法中外，還可以通過一個配置文件來設置。

請在項目的根目錄創建一個文件 .gne，配置文件可以用 YAML 格式，也可以使用 JSON 格式。

YAML 格式配置文件

title:
   xpath: //title/text()
host: https://www.xxx.com
noise_node_list:
   - //div[@class=\"comment-list\"]
   - //*[@style=\"display:none\"]
with_body_html: true

JSON 格式配置文件

{
   "title": {
       "xpath": "//title/text()"
   },
   "host": "https://www.xxx.com",
   "noise_node_list": ["//div[@class=\"comment-list\"]",
                       "//*[@style=\"display:none\"]"],
   "with_body_html": true
}

這兩種寫法是完全等價的。

配置文件與 extract() 方法的參數一樣，並不是所有字段都需要提供。你可以組合填寫你需要的字段。

如果一個參數，既在 extract() 方法中，又在 .gne 配置文件中，但值不一樣，那么 extract() 方法中的這個參數的優先級更高。