GNE v0.1正式發佈：4行代碼開發新聞網站通用爬蟲

  • 2020 年 2 月 11 日
  • 筆記

攝影：產品經理

GNE 比羊肉面還香！

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、發佈時間、正文中的圖片地址和正文所在的標籤源代碼。GNE在提取今日頭條、網易新聞、遊民星空、 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%的準確率。

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 渲染以後的 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('檢查完成以後回到這裡按下任意鍵')    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：新聞發佈時間
  • 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籤的源代碼，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，那麼 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，那麼你可以給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，那麼 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()')

提前移除噪聲標籤

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，裏面是一個或多個 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，那麼 extract() 方法中的這個參數的優先級更高。

FAQ

GeneralNewsExtractor(以下簡稱GNE)是爬蟲嗎？

GNE不是爬蟲，它的項目名稱General News Extractor表示通用新聞抽取器。它的輸入是HTML，輸出是一個包含新聞標題，新聞正文，作者，發佈時間的字典。你需要自行設法獲取目標網頁的HTML。

GNE 現在不會，將來也不會提供請求網頁的功能。

GNE支持翻頁嗎？

GNE不支持翻頁。因為GNE不會提供網頁請求的功能，所以你需要自行獲取每一頁的HTML，並分別傳遞給GNE。

GNE支持哪些版本的Python？

不小於Python 3.6.0

我用requests/Scrapy獲取的HTML傳入GNE，為什麼不能提取正文？

GNE是基於HTML來提取正文的，所以傳入的HTML一定要是經過JavaScript渲染以後的HTML。而requests和Scrapy獲取的只是JavaScript渲染之前的源代碼，所以無法正確提取。

另外，有一些網頁，例如今日頭條，它的新聞正文實際上是以JSON格式直接寫在網頁源代碼的，當頁面在瀏覽器上面打開的時候，JavaScript把源代碼裏面的正文解析為HTML。這種情況下，你在Chrome上面就看不到Ajax請求。

所以建議你使用Puppeteer/Pyppeteer/Selenium之類的工具獲取經過渲染的HTML再傳入GNE。

GNE 支持非新聞類網站嗎（例如博客、論壇……）

不支持。

關於 GNE

GNE 官方文檔：https://generalnewsextractor.readthedocs.io/

GNE 的項目源代碼在：https://github.com/kingname/GeneralNewsExtractor。

VirMach 便宜 VPS

QNews

QNews