抓取网页新闻(GNE（GeneralNewsExtractor）方法增加host参数，用于提取新闻标题参数)

　　抓取网页新闻(GNE（GeneralNewsExtractor）方法增加host参数，用于提取新闻标题参数)

　　GNE（GeneralNewsExtractor）是一个通用新闻网站文本提取模块。它输入一个新闻网页的HTML，输出文本内容、标题、作者、发布时间、文本中的图片地址和文本所在标签的源代码。GNE对今日头条、网易新闻、友民之星、观察家、凤凰网、腾讯新闻、ReadHub、新浪新闻等数百条中文新闻网站的提取非常有效，准确率几乎可以达到100%。.

　　用法很简单：

　　from gne import GeneralNewsExtractor

extractor = GeneralNewsExtractor()

html = '网站源代码'

result = extractor.extract(html)

print(result)

　　GNE的输入是js渲染的HTML代码，所以GNE可以和Selenium或者Pyppeteer一起使用。

　　下图是GNE用Selenium实现的Demo：

　　

　　对应的代码是：

　　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用Pyppeteer实现的Demo：

　　

　　对应的代码如下：

　　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：

　　pip install gne

　　如果访问pypi官方源码太慢，也可以使用网易源码：

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

　　安装过程如下图所示：

　　

　　获取文本源代码的功能特性

　　当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：

　　可能有的朋友想要获取新闻正文所在标签的源码。这时候可以在extract()方法中传入with_body_html参数并设置为True：

　　extractor = GeneralNewsExtractor()

extractor.extract(html, with_body_html=True)

　　返回的数据中会增加一个字段body_html，其值为body对应的HTML源代码。

　　运行效果如下图所示：

　　

　　始终返回图片的绝对路径

　　默认情况下，如果新闻中的图片使用相对路径，则GNE返回的images字段对应的值也是图片的相对路径列表。

　　如果要始终让 GNE 返回绝对路径，可以在 extract() 方法中添加主机参数。该参数的值为图片的域名，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返回的时候会自动改成。

　　指定新闻标题所在的XPath

　　GNE 预定义了一组用于提取新闻标题的 XPath 和正则表达式。但是，一些特殊的新闻网站可能无法提取标题。这时候可以给extract()方法指定title_xpath参数来提取新闻标题：

　　extractor = GeneralNewsExtractor()

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

　　提前去除噪音标签

　　某些新闻下可能会有长篇评论。这些评论看起来“更像是”新闻的主体。为了防止它们干扰新闻的提取，可以在extract()方法中传入noise_node_list参数，提前移动这些噪声节点。消除。noise_node_list 的值是一个收录一个或多个 XPath 的列表：

　　extractor = GeneralNewsExtractor()

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

　　使用配置文件

　　API中的title_xpath、host、noise_node_list、with_body_html参数可以直接写到extract()方法中，也可以通过配置文件进行设置。

　　请在项目的根目录下创建一个文件 .gne。配置文件可以是 YAML 格式或 JSON 格式。

　　title:

xpath: //title/text()

host: https://www.xxx.com

noise_node_list:

- //div[@class=\"comment-list\"]

- //*[@style=\"display:none\"]

with_body_html: true

　　{

"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()方法参数相同，不需要提供所有字段。您可以组合填写您需要的字段。

　　如果一个参数在extract()方法和.gne配置文件中都存在，但是值不同，那么这个参数在extract()方法中的优先级更高。

　　FAQGeneralNewsExtractor（以下简称GNE）是爬虫吗？

　　GNE 不是爬虫，它的项目名称 General News Extractor 代表 General News Extractor。它的输入是 HTML，它的输出是一个收录新闻标题、新闻正文、作者和发布时间的字典。您需要尝试自己获取目标页面的HTML。

　　GNE 不会，以后也不会提供请求网页的功能。

　　GNE 是否支持翻页？

　　GNE 不支持翻页。因为GNE没有提供网页请求的功能，所以需要自己获取每个页面的HTML，单独传给GNE。

　　GNE 支持哪些版本的 Python？

　　不低于 Python 3.6.0

　　我用requests/Scrapy得到的HTML传入GNE，为什么提取不出文本？

　　GNE 基于 HTML 提取文本，因此传入的 HTML 必须是 JavaScript 呈现的 HTML。requests 和 Scrapy 只获取 JavaScript 渲染前的源码，无法正确提取。

　　此外，还有一些网页，比如今日头条，其新闻文本实际上是直接以JSON格式写入网页源代码中的。在浏览器上打开页面时，JavaScript 会将源代码中的文本解析为 HTML。在这种情况下，您将不会在 Chrome 上看到 Ajax 请求。

　　所以建议大家使用Puppeteer/Pyppeteer/Selenium等工具获取渲染后的HTML，然后传递给GNE。

　　GNE是否支持非新闻网站（如博客、论坛...）

　　不支持。

　　成长离不开与优秀合作伙伴的学习。如果您需要良好的学习环境、良好的学习资源、项目教程、零基础学习，欢迎热爱Python的各位来这里，点击：Python学习圈