python爬虫智能解析之newspaper

前言:

最近抓取了某查新闻舆情维度的数据,业务需求做一个情感分析,需要抓取相关链接的正文(因某查抓下来的只有摘要),新闻舆情的链接已经抓下来了,但是如下图所示这么多网站:

我总不能每个网站写一个爬虫抓正文吧,那不得累死!于是想起来之前听过的智能化解析,遂学习一番,现需求任务已完成,在此做个记录总结与分享.

1. newspaper简介、特点及安装

简介
newspaper库分为Python2和Python3两个版本,Python2下的版本叫做newspaper,Python3下的版本叫做newspaper3k,Python2版本的不做说明,下面使用Python3版本来进行测试。
特点
- 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
- 谷歌趋势词提取
- 支持 10 多种语言（英语、中文、德语、阿拉伯语……）
安装
1. 其GitHub地址是：https://github.com/codelucas/newspaper
2. 官方文档地址是：https://newspaper.readthedocs.io
3. 在安装之前需要安装一些依赖库:
```
beautifulsoup4>=4.4.1
cssselect>=0.9.2
feedfinder2>=0.0.4
feedparser>=5.2.1
jieba3k>=0.35.1
lxml>=3.6.0
nltk>=3.2.1
Pillow>=3.3.0
pythainlp>=1.7.2
python-dateutil>=2.5.3
PyYAML>=3.11
requests>=2.10.0
tinysegmenter==0.3  # TODO(codelucas): Investigate making this >=0.3
tldextract>=2.0.1
```
  也可以参考官方的说明：https://github.com/codelucas/newspaper#get-it-now。
4. 这些依赖库安装完成之后,使用pip安装newspaper3k
```
pip3 install newspaper3k
```
  至此已安装完成,之后就可以愉快的使用了

2. newspaper的使用

官方文档给出的是英文网站,上代码感受一下

>>> from newspaper import Article

>>> url = 'http://fox13now.com/2013/12/30/new-year-new-laws-obamacare-pot-guns-and-drones/'
>>> article = Article(url)

>>> article.download()

>>> article.html
'>>> import newspaper
>>> newspaper.languages()


Your available languages are:

input code		full name
  ar			  Arabic
  be			  Belarusian
  bg			  Bulgarian
  da			  Danish
  de			  German
  el			  Greek
  en			  English
  es			  Spanish
  et			  Estonian
  fa			  Persian
  fi			  Finnish
  fr			  French
  he			  Hebrew
  hi			  Hindi
  hr			  Croatian
  hu			  Hungarian
  id			  Indonesian
  it			  Italian
  ja			  Japanese
  ko			  Korean
  mk			  Macedonian
  nb			  Norwegian (Bokmål)
  nl			  Dutch
  no			  Norwegian
  pl			  Polish
  pt			  Portuguese
  ro			  Romanian
  ru			  Russian
  sl			  Slovenian
  sr			  Serbian
  sv			  Swedish
  sw			  Swahili
  tr			  Turkish
  uk			  Ukrainian
  vi			  Vietnamese
  zh			  Chinese

直接上代码:

from newspaper import Article


url = ''
try:
    article = Article(url, language='zh')
    article.download()
    print('html:', article.html)

    article.parse()
    print('authors:', article.authors)
    print('title:', article.title)
    print('date:', article.publish_date)
    print('text:', article.text)
    print('text_len:', len(article.text))
    print('top image:', article.top_image)
    print('images:', article.images)
    print('movies:', article.movies)

    # article.nlp()
    # print('keywords:', article.keywords)
    # print('summary:', article.summary)

except newspaper.article.ArticleException:
    print(e)

如果download()出错,会抛出一个newspaper.article.ArticleException的异常.

到这里就结束啦,虽然很简单,但是newspaper确实给我省了不少事情,不过有一些特殊的网站提取不到,准确率还算可以吧.
还有一个Diffbot,好像更好用,只是需要工作邮箱,各种原因注册不上,试用期两周之后会收费.

python爬虫智能解析之newspaper

Python相关栏目本月热门文章