首页>编程相关>Python
下载

Newspaper3k：文章抓取和策展

受到其简单性要求的启发，并由 lxml 为其速度提供支持：

“Newspaper 是一个令人惊叹的 Python 库，用于提取和整理文章。” ——请求作者 Kenneth Reitz 发推文

“报纸提供 Instapaper 风格的文章提取。” -- 变更日志

Newspaper 是一个 Python3 库！或者，查看我们已弃用且有缺陷的Python2 分支

概览： 

>>> 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
'<!DOCTYPE HTML><html itemscope itemtype="http://...'
>>> article.parse()

>>> article.authors
['Leigh Ann Caldwell', 'John Honway']

>>> article.publish_date
datetime.datetime(2013, 12, 30, 0, 0)

>>> article.text
'Washington (CNN) -- Not everyone subscribes to a New Year's resolution...'

>>> article.top_image
'http://someCDN.com/blah/blah/blah/file.png'

>>> article.movies
['http://youtube.com/path/to/link.com', ...]
>>> article.nlp()

>>> article.keywords
['New Years', 'resolution', ...]

>>> article.summary
'The study shows that 93% of people ...'
>>> import newspaper

>>> cnn_paper = newspaper.build( ' http://cnn.com ' )

>>> for article in cnn_paper.articles:
>>>     print (article.url)
http://www.cnn.com/2013/11/27/justice/tucson-arizona-captive-girls/
http://www.cnn.com/2013/12/11/us/texas-teen-dwi-wreck/index.html
...

>>> for category in cnn_paper.category_urls():
>>>     print (category)

http://lifestyle.cnn.com
http://cnn.com/world
http://tech.cnn.com
...

>>> cnn_article = cnn_paper.articles[ 0 ]
>>> cnn_article.download()
>>> cnn_article.parse()
>>> cnn_article.nlp()
...
>>> from newspaper import fulltext

>>> html = requests.get( ... ).text
>>> text = fulltext(html)

报纸可以无缝地提取和检测语言。如果未指定语言，报纸将尝试自动检测语言。 

>>> from newspaper import Article
>>> url = ' http://www.bbc.co.uk/zhongwen/simp/chinese_news/2012/12/121210_hongkong_politics.shtml '

>>> a = Article(url, language = ' zh ' ) # Chinese

>>> a.download()
>>> a.parse()

>>> print (a.text[: 150 ])
香港行政长官梁振英在各方压力下就其大宅的违章建
筑（僭建）问题到立法会接受质询，并向香港民众道歉。
梁振英在星期二（12月10日）的答问大会开始之际
在其演说中道歉，但强调他在违章建筑问题上没有隐瞒的
意图和动机。 一些亲北京阵营议员欢迎梁振英道歉，
且认为应能获得香港民众接受，但这些议员也质问梁振英有

>>> print (a.title)
港特首梁振英就住宅违建事件道歉

如果您确定整个新闻源都是使用一种语言，请继续使用相同的 api :) 

>>> import newspaper
>>> sina_paper = newspaper.build( ' http://www.sina.com.cn/ ' , language = ' zh ' )

>>> for category in sina_paper.category_urls():
>>>     print (category)
http://health.sina.com.cn
http://eladies.sina.com.cn
http://english.sina.com
...

>>> article = sina_paper.articles[ 0 ]
>>> article.download()
>>> article.parse()

>>> print (article.text)
新浪武汉汽车综合 随着汽车市场的日趋成熟，
传统的“集全家之力抱得爱车归”的全额购车模式已然过时，
另一种轻松的新兴 车模式――金融购车正逐步成为时下消费者购
买爱车最为时尚的消费理念，他们认为，这种新颖的购车
模式既能在短期内
...

>>> print (article.title)
两年双免0手续0利率 科鲁兹掀背金融轻松购_武汉车市_武汉汽
车网_新浪汽车_新浪网

支持我们的图书馆

只需轻轻一按

文档

查看文档以获取使用报纸的完整详细指南。

有兴趣为我们添加一种新语言吗？请参阅：文档 - 添加新语言

特征

  • 多线程文章下载框架
  • 新闻url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
  • 谷歌趋势术语提取
  • 支持 10 多种语言（英语、中文、德语、阿拉伯语……） 
>>> 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
  lt              Lithuanian
  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
  th              Thai
  tr              Turkish
  uk              Ukrainian
  vi              Vietnamese
  zh              Chinese

立即获取

运行 ✅ pip3 install newspaper3k ✅

不是 ⛔ pip3 install newspaper ⛔

在 python3 上，您必须安装newspaper3k ，而不是newspaper 。 newspaper是我们的 python2 库。虽然使用 pip 安装报纸很简单，但如果您尝试在 ubuntu 上安装，您将遇到可修复的问题。

如果您使用的是 Debian / Ubuntu ，请使用以下命令进行安装：

  • 安装安装newspaper3k包所需的pip3命令：

     $ sudo apt-get install python3-pip

  • Python开发版本，Python.h需要：

     $ sudo apt-get install python-dev

  • lxml要求：

     $ sudo apt-get install libxml2-dev libxslt-dev

  • 让 PIL 识别 .jpg 图像：

     $ sudo apt-get install libjpeg-dev zlib1g-dev libpng12-dev

注意：如果您发现安装libpng12-dev时出现问题，请尝试安装libpng-dev 。

  • 下载NLP相关语料库：

     $ 卷曲 https://raw.githubusercontent.com/codelucas/newspaper/master/download_corpora.py |蟒蛇3

  • 通过 pip 安装发行版：

     $ pip3 安装报纸3k

如果您使用的是 OSX ，请使用以下命令进行安装，您可以使用 homebrew 或 macports：

 $brew 安装 libxml2 libxslt

$brew安装libtifflibjpegwebplittle-cms2

$ pip3 安装报纸3k

$curl https://raw.githubusercontent.com/codelucas/newspaper/master/download_corpora.py |蟒蛇3

否则，请使用以下命令安装：

注意：您很可能仍然需要通过包管理器安装以下库

  • PIL： libjpeg-dev zlib1g-dev libpng12-dev
  • lxml: libxml2-dev libxslt-dev
  • Python开发版本： python-dev
 $ pip3 安装报纸3k

$ 卷曲 https://raw.githubusercontent.com/codelucas/newspaper/master/download_corpora.py |蟒蛇3

捐款

非常感谢您的捐款！他们将使我有更多时间参与这个项目，承担诸如：添加新功能、错误修复支持、解决与库有关的问题等事情。

  • 我的 PayPal 链接：https://www.paypal.me/codelucas
  • 我的 Venmo 账号：@Lucas-Ou-Yang

发展

如果您想为报纸项目做出贡献并进行破解，请随时在本地克隆此存储库的开发版本：

 git 克隆 git://github.com/codelucas/newspaper.git

一旦您获得了源代码的副本，您就可以将其嵌入到您的 Python 包中，或者轻松地将其安装到您的站点包中：

 $ pip3 install -r 要求.txt
$ python3 setup.py安装

请随意尝试一下我们的测试套件，一切都被嘲笑了！：

 $ python3 测试/unit_tests.py

计划调整我们的全文算法？添加fulltext参数：

 $ python3测试/unit_tests.py全文

演示

在此处查看有效的在线演示：http://newspaper-demo.herokuapp.com

这是另一个在线演示：http://newspaper.chinazt.cc/

执照

由 Lucas Ou-Yang 创作和维护。

Parse.ly 赞助了一些报纸工作，特别关注自动提取。

Newspaper大量使用了python-goose的解析代码。在这里查看他们的许可证。

如果您遇到问题或只是想谈论这个图书馆的未来和新闻提取，请随时发送电子邮件并与我联系！

展开
附加信息
相关应用
为您推荐
相关资讯 全部