1 简介
newspaper 框架是一个主要用来提取新闻内容及分析的 Python 爬虫框架，更确切的说，newspaper 是一个 Python 库，但这个库由第三方开发。
newspaper 主要具有如下几个特点：
- 比较简洁
- 速度较快
- 支持多线程
- 支持多语言
GitHub 链接：https://github.com/codelucas/newspaper
安装方法：pip3 install newspaper3k
2 基本使用
2.1 获取新闻
我们以环球网为例，如下所示：
import newspaper hq_paper = newspaper.build("https://tech.huanqiu.com/", language="zh", memoize_articles=False)
默认情况下，newspaper 缓存所有以前提取的文章，并删除它已经提取的任何文章，使用 memoize_articles 参数选择退出此功能。
2.2 获取文章 URL
>>> import newspaper >>> hq_paper = newspaper.build("https://tech.huanqiu.com/", language="zh", memoize_articles=False)>>> for article in hq_paper.articles:>>> print(article.url) http://world.huanqiu.com/gallery/9CaKrnQhXvyhttp://mil.huanqiu.com/gallery/7RFBDCOiXNChttp://world.huanqiu.com/gallery/9CaKrnQhXvzhttp://world.huanqiu.com/gallery/9CaKrnQhXvw...
2.3 获取类别
>>> import newspaper >>> hq_paper = newspaper.build("https://tech.huanqiu.com/", language="zh", memoize_articles=False)>>> for category in hq_paper.category_urls():>>> print(category) http://www.huanqiu.comhttp://tech.huanqiu.comhttp://smart.huanqiu.comhttps://tech.huanqiu.com/
2.4 获取品牌和描述
>>> import newspaper >>> hq_paper = newspaper.build("https://tech.huanqiu.com/", language="zh", memoize_articles=False)>>> print(hq_paper.brand)>>> print(hq_paper.description) huanqiu环球网科技，不一样的IT视角！以“成为全球科技界的一面镜子”为出发点，向关注国际科技类资讯的网民，提供国际科技资讯的传播与服务。
2.5 下载解析
我们选取其中一篇文章为例，如下所示：
>>> import newspaper >>> hq_paper = newspaper.build("https://tech.huanqiu.com/", language="zh", memoize_articles=False)>>> article = hq_paper.articles[4]# 下载>>> article.download()# 解析article.parse()# 获取文章标题>>> print("title=", article.title)# 获取文章日期>>> print("publish_date=", article.publish_date)# 获取文章作者>>> print("author=", article.authors)# 获取文章顶部图片地址>>> print("top_iamge=", article.top_image)# 获取文章视频链接>>> print("movies=", article.movies)# 获取文章摘要>>> print("summary=", article.summary)# 获取文章正文>>> print("text=", article.text) title= “美丽山”的美丽传奇publish_date= 2019-11-15 00:00:00...
2.6 Article 类使用
import newspaperfrom newspaper import Article def newspaper_url(url): web_paper = newspaper.build(url, language="zh", memoize_articles=False) for article in web_paper.articles: newspaper_info(article.url) def newspaper_info(url): article = Article(url, language='zh') article.download() article.parse() print("title=", article.title) print("author=", article.authors) print("publish_date=", article.publish_date) print("top_iamge=", article.top_image) print("movies=", article.movies) print("text=", article.text) print("summary=", article.summary) if __name__ == "__main__": newspaper_url("https://tech.huanqiu.com/")
3 多任务
当我们需要从多个渠道获取新闻信息时可以采用多任务的方式，如下所示：
import newspaperfrom newspaper import news_pool hq_paper = newspaper.build('https://www.huanqiu.com', language="zh")sh_paper = newspaper.build('http://news.sohu.com', language="zh")sn_paper = newspaper.build('https://news.sina.com.cn', language="zh") papers = [hq_paper, sh_paper, sn_paper]# 线程数为 3 * 2 = 6news_pool.set(papers, threads_per_source=2)news_pool.join()print(hq_paper.articles[0].html)
因获取内容较多，上述代码执行可能需要一段时间，我们要耐心等待。
总结
本文为大家介绍了 Python 爬虫框架 newspaper，让大家能够对 newspaper 有个基本了解以及能够上手使用。newspaper 框架还存在一些 bug，因此，我们在实际工作中需要综合考虑、谨慎使用。
示例代码：https://github.com/JustDoPython/python-100-day/tree/master/day-074
参考：https://newspaper.readthedocs.io/en/latest/user_guide/quickstart.html#performing-nlp-on-an-article
