GNE v0.1 正式發佈： 4 行代碼開發新聞網站通用爬蟲

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、做者、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很是出色，幾乎可以達到100%的準確率。

使用方式很是簡單：

from gne import GeneralNewsExtractor

extractor = GeneralNewsExtractor()
html = '網站源代碼'
result = extractor.extract(html)
print(result)
複製代碼

GNE 的輸入是通過 js 渲染之後的 HTML 代碼，因此 GNE 能夠配合Selenium 或者 Pyppeteer 使用。

下圖是 GNE 配合 Selenium 實現的一個 Demo：

對應的代碼爲：

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)
複製代碼

下圖是 GNE 配合 Pyppeteer 實現的 Demo：

對應代碼以下：

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('檢查完成之後回到這裏按下任意鍵')

asyncio.run(main())
複製代碼

如何安裝 GNE

如今你能夠直接使用 pip 安裝 GNE 了：

pip install gne
複製代碼

若是訪問pypi 官方源太慢，你也能夠使用網易源：

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

安裝過程以下圖所示：

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 返回以下字段：

• title：新聞標題
• publish_time：新聞發佈時間
• author：新聞做者
• content：新聞正文
• images: 正文中的圖片（相對路徑或者絕對路徑）

可能有些朋友但願獲取新聞正文所在標籤的源代碼，此時能夠給extract()方法傳入with_body_html參數，設置爲 True：

extractor = GeneralNewsExtractor()
extractor.extract(html, with_body_html=True)
複製代碼

返回數據中將會增長一個字段body_html，它的值就是正文對應的 HTML 源代碼。

運行效果以下圖所示：

老是返回圖片的絕對路徑

默認狀況下，若是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。

若是你想始終讓 GNE 返回絕對路徑，那麼你能夠給extract()方法增長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')
複製代碼

這樣，若是新聞中的圖片是/images/pic.png，那麼 GNE 返回時會自動把它變爲https://www.kingname.info/images/pic.png。

指定新聞標題所在的 XPath

GNE 預約義了一組 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沒法提取標題，此時，你能夠給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()')
複製代碼

提早移除噪聲標籤

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，爲了防止他們干擾新聞的提取，能夠經過給extract()方法傳入noise_node_list參數，提早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"]'])
複製代碼

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，還能夠經過一個配置文件來設置。

請在項目的根目錄建立一個文件 .gne，配置文件能夠用 YAML 格式，也能夠使用 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
複製代碼

• 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
}
複製代碼

這兩種寫法是徹底等價的。

配置文件與 extract() 方法的參數同樣，並非全部字段都須要提供。你能夠組合填寫你須要的字段。

若是一個參數，既在 extract() 方法中，又在 .gne 配置文件中，但值不同，那麼 extract() 方法中的這個參數的優先級更高。

FAQ

GeneralNewsExtractor(如下簡稱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，做者，發佈時間的字典。你須要自行設法獲取目標網頁的HTML。

GNE 如今不會，未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。由於GNE不會提供網頁請求的功能，因此你須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，爲何不能提取正文？

GNE是基於HTML來提取正文的，因此傳入的HTML必定要是通過JavaScript渲染之後的HTML。而requests和Scrapy獲取的只是JavaScript渲染以前的源代碼，因此沒法正確提取。

另外，有一些網頁，例現在日頭條，它的新聞正文其實是以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爲HTML。這種狀況下，你在Chrome上面就看不到Ajax請求。

因此建議你使用Puppeteer/Pyppeteer/Selenium之類的工具獲取通過渲染的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：generalnewsextractor.readthedocs.io/

GNE 的項目源代碼在：github.com/kingname/Ge…。

關於做者