Gne[1]虽然在提取新闻正文的时候，准确率比较高，但由于提取新闻发布时间使用的是正则表达式，因此提取效果有时候不那么让人满意。
最近我发现Python的一个第三方库，叫做htmldate，经过测试，它提取新闻的发布时间比较准确。我们来看看这个库怎么使用。首先使用pip安装：
python3 -m pip install htmldate
然后，我们使用Requests或者Selenium获得网站的源代码：
import requests from htmldate import find_date html = requests.get('https://www.kingname.info/2022/03/09/this-is-gnelist/').content.decode('utf-8') date = find_date(html) print(date)
运行效果如下图所示：
而这篇文章的发布时间，确实是3月9号：
我们再用网易新闻来看一下，相互激励 增进友谊（精彩绽放） |残奥|中国代表团|单板滑雪|夺金_网易政务[2] 这篇新闻对应的发布时间如下图所示：
现在我们用Requests获得它的源代码，然后再提取发布时间：
发布日期确实对了，但是后面的时间怎么丢失了呢？如果想把时分秒保留下来，可以增加一个参数outputformat，它的值就是你在datetime.strftime里面输入的值：
find_date(html, outputformat='%Y-%m-%d %H:%M:%S')
运行效果如下图所示：
find_date的参数，除了网页源代码外，还可以传入URL，或者是lxml里面的Dom对象，例如：
from lxml.html import fromstring selector = fromstring(html) date = find_date(selector)
参考文献[1]
Gne: https://github.com/GeneralNewsExtractor/GeneralNewsExtractor
[2] 相互激励 增进友谊（精彩绽放） |残奥|中国代表团|单板滑雪|夺金_网易政
务: https://www.163.com/news/article/H28Q6NQ1000189FH.html
请关注微信公众号【未闻Code】获取更多精彩文章。
