4 行 Python 代码开发新闻网站通用爬虫

卜卜令山

优质文章，第一时间送达！
文 | 青南
出处 | 掘金
GNE（GeneralNewsExtractor）是一个通用新闻网站正文抽取模块，输入一篇新闻网页的 HTML， 输出正文内容、标题、作者、发布时间、正文中的图片地址和正文所在的标签源代码。GNE 在提取今日头条、网易新闻、游民星空、 观察者网、凤凰网、腾讯新闻、ReadHub、新浪新闻等数百个中文新闻网站上效果非常出色，几乎能够达到 100%的准确率。
使用方式非常简单：
from gne import GeneralNewsExtractor

extractor = GeneralNewsExtractor
html = '网站源代码'
result = extractor.extract(html)
print(result)
GNE 的输入是 经过 js 渲染以后的HTML 代码，所以 GNE 可以配合 Selenium 或者 Pyppeteer 使用。
下图是 GNE 配合 Selenium 实现的一个 Demo：
对应的代码为：
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)
下图是 GNE 配合 Pyppeteer 实现的 Demo：
对应代码如下：
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('检查完成以后回到这里按下任意键')

asyncio.run(main)

如何安装 GNE

现在你可以直接使用 pip 安装 GNE 了：
pip install gne
如果访问 pypi 官方源太慢，你也可以使用网易源：
pip install gne -i https://mirrors.163.com/pypi/simple/
安装过程如下图所示：

功能特性

获取正文源代码

在 extract方法只传入网页源代码，不添加任何额外参数时，GNE 返回如下字段：

• title：新闻标题
  
• publish_time：新闻发布时间
  
• author：新闻作者
  
• content：新闻正文
  
• images: 正文中的图片（相对路径或者绝对路径）
  

可能有些朋友希望获取新闻正文所在标签的源代码，此时可以给 extract方法传入with_body_html参数，设置为 True：
extractor = GeneralNewsExtractor
extractor.extract(html, with_body_html=True)
返回数据中将会增加一个字段 body_html，它的值就是正文对应的 HTML 源代码。
运行效果如下图所示：

总是返回图片的绝对路径

默认情况下，如果新闻中的图片使用的是相对路径，那么 GNE 返回的 images字段对应的值也是图片相对路径的列表。
如果你想始终让 GNE 返回绝对路径，那么你可以给 extract方法增加host参数，这个参数的值是图片的域名，例如：
extractor = GeneralNewsExtractor
extractor.extract(html, host='https://www.kingname.info')
这样，如果新闻中的图片是 /images/pic.png，那么 GNE 返回时会自动把它变为https://www.kingname.info/images/pic.png。

指定新闻标题所在的 XPath

GNE 预定义了一组 XPath 和正则表达式用于提取新闻的标题。但某些特殊的新闻网站可能无法提取标题，此时，你可以给 extract方法指定title_xpath参数，用于提取新闻标题：
extractor = GeneralNewsExtractor
extractor.extract(html, title_xpath='//title/text')

提前移除噪声标签

某些新闻下面可能会存在长篇大论的评论，这些评论看起来比新闻正文“更像”正文，为了防止他们干扰新闻的提取，可以通过给 extract方法传入noise_node_list参数，提前把这些噪声节点移除。noise_node_list的值是一个列表，里面是一个或多个 XPath：
extractor = GeneralNewsExtractor
extractor.extract(html, noise_node_list=['//div[@class="comment-list"]', '//*[@style="display:none"]'])

使用配置文件

API 中的参数 title_xpath、host、noise_node_list、with_body_html除了直接写到extract方法中外，还可以通过一个配置文件来设置。
请在项目的根目录创建一个文件 .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
}
这两种写法是完全等价的。
配置文件与 extract方法的参数一样，并不是所有字段都需要提供。你可以组合填写你需要的字段。
如果一个参数，既在 extract方法中，又在.gne配置文件中，但值不一样，那么extract方法中的这个参数的优先级更高。

FAQ

GeneralNewsExtractor(以下简称 GNE)是爬虫吗？

GNE 不是爬虫，它的项目名称 General News Extractor 表示通用新闻抽取器。它的输入是 HTML，输出是一个包含新闻标题，新闻正文，作者，发布时间的字典。你需要自行设法获取目标网页的 HTML。
GNE 现在不会，将来也不会提供请求网页的功能。

GNE 支持翻页吗？

GNE 不支持翻页。因为 GNE 不会提供网页请求的功能，所以你需要自行获取每一页的 HTML，并分别传递给 GNE。

GNE 支持哪些版本的 Python？

不小于 Python 3.6.0
我用 requests/Scrapy 获取的 HTML 传入 GNE，为什么不能提取正文？
GNE 是基于 HTML 来提取正文的，所以传入的 HTML 一定要是经过 JavaScript 渲染以后的 HTML。而 requests 和 Scrapy 获取的只是 JavaScript 渲染之前的源代码，所以无法正确提取。
另外，有一些网页，例如今日头条，它的新闻正文实际上是以 JSON 格式直接写在网页源代码的，当页面在浏览器上面打开的时候，JavaScript 把源代码里面的正文解析为 HTML。这种情况下，你在 Chrome 上面就看不到 Ajax 请求。
所以建议你使用 Puppeteer/Pyppeteer/Selenium 之类的工具获取经过渲染的 HTML 再传入 GNE。
原文链接：https://juejin.im/post/5e0c7c546fb9a047f66eafea