GNE v0.1正式发布：4行代码开发新闻网站通用爬虫

标签：组合   ati   工具   新浪   优先   yaml   论坛   puppeteer   edr   

摄影：产品经理
GNE 比羊肉面还香！
GNE（GeneralNewsExtractor）是一个通用新闻网站正文抽取模块，输入一篇新闻网页的 HTML， 输出正文内容、标题、作者、发布时间、正文中的图片地址和正文所在的标签源代码。GNE在提取今日头条、网易新闻、游民星空、 观察者网、凤凰网、腾讯新闻、ReadHub、新浪新闻等数百个中文新闻网站上效果非常出色，几乎能够达到100%的准确率。

使用方式非常简单：

from gne import GeneralNewsExtractor

extractor = GeneralNewsExtractor()
html = ‘网站源代码‘
result = extractor.extract(html)
print(result)

GNE 的输入是经过 js 渲染以后的 HTML 代码，所以 GNE 可以配合Selenium 或者 Pyppeteer 使用。

下图是 GNE 配合 Selenium 实现的一个 Demo：

对应的代码为：

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)

下图是 GNE 配合 Pyppeteer 实现的 Demo：

对应代码如下：

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(‘检查完成以后回到这里按下任意键‘)

asyncio.run(main())

如何安装 GNE

现在你可以直接使用 pip 安装 GNE 了：

pip install gne

如果访问pypi 官方源太慢，你也可以使用网易源：

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

安装过程如下图所示：

功能特性

获取正文源代码

在extract()方法只传入网页源代码，不添加任何额外参数时，GNE 返回如下字段：

• title：新闻标题
• publish_time：新闻发布时间
• author：新闻作者
• content：新闻正文
• images: 正文中的图片（相对路径或者绝对路径）
  可能有些朋友希望获取新闻正文所在标签的源代码，此时可以给extract()方法传入with_body_html参数，设置为 True：

extractor = GeneralNewsExtractor()
extractor.extract(html, with_body_html=True)

返回数据中将会增加一个字段body_html，它的值就是正文对应的 HTML 源代码。

运行效果如下图所示：
![](https://s4.51cto.com/images/blog/202012/03/bb01c9e78afd0f83d29743191a8af2c0.png?x-oss-process=image/watermark,size_16,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_90,type_ZmFuZ3poZW5naGVpdGk=)

总是返回图片的绝对路径

默认情况下，如果新闻中的图片使用的是相对路径，那么 GNE 返回的images字段对应的值也是图片相对路径的列表。

如果你想始终让 GNE 返回绝对路径，那么你可以给extract()方法增加host参数，这个参数的值是图片的域名，例如：

extractor = GeneralNewsExtractor()
extractor.extract(html, host=‘https://www.kingname.info‘)

这样，如果新闻中的图片是/images/pic.png，那么 GNE 返回时会自动把它变为https://www.kingname.info/images/pic.png。

指定新闻标题所在的 XPath

GNE 预定义了一组 XPath 和正则表达式用于提取新闻的标题。但某些特殊的新闻网站可能无法提取标题，此时，你可以给extract()方法指定title_xpath参数，用于提取新闻标题：

extractor = GeneralNewsExtractor()
extractor.extract(html, title_xpath=‘//title/text()‘)

提前移除噪声标签

某些新闻下面可能会存在长篇大论的评论，这些评论看起来比新闻正文“更像”正文，为了防止他们干扰新闻的提取，可以通过给extract()方法传入noise_node_list参数，提前把这些噪声节点移除。noise_node_list的值是一个列表，里面是一个或多个 XPath：

extractor = GeneralNewsExtractor()
extractor.extract(html, noise_node_list=[‘//div[@class="comment-list"]‘, ‘//*[@style="display:none"]‘])

 使用配置文件

API 中的参数 title_xpath、 host、 noise_node_list、 with_body_html除了直接写到 extract() 方法中外，还可以通过一个配置文件来设置。

请在项目的根目录创建一个文件 .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\"]"," rel="nofollow">br/>"//*[@style=\"display:none\"]"],
  "with_body_html": true
  }

  
  这两种写法是完全等价的。

配置文件与 extract() 方法的参数一样，并不是所有字段都需要提供。你可以组合填写你需要的字段。

如果一个参数，既在 extract() 方法中，又在 .gne 配置文件中，但值不一样，那么 extract() 方法中的这个参数的优先级更高。

FAQ

GeneralNewsExtractor(以下简称GNE)是爬虫吗？

GNE不是爬虫，它的项目名称General News Extractor表示通用新闻抽取器。它的输入是HTML，输出是一个包含新闻标题，新闻正文，作者，发布时间的字典。你需要自行设法获取目标网页的HTML。

GNE 现在不会，将来也不会提供请求网页的功能。

GNE支持翻页吗？

GNE不支持翻页。因为GNE不会提供网页请求的功能，所以你需要自行获取每一页的HTML，并分别传递给GNE。

GNE支持哪些版本的Python？

不小于Python 3.6.0

我用requests/Scrapy获取的HTML传入GNE，为什么不能提取正文？

GNE是基于HTML来提取正文的，所以传入的HTML一定要是经过JavaScript渲染以后的HTML。而requests和Scrapy获取的只是JavaScript渲染之前的源代码，所以无法正确提取。

另外，有一些网页，例如今日头条，它的新闻正文实际上是以JSON格式直接写在网页源代码的，当页面在浏览器上面打开的时候，JavaScript把源代码里面的正文解析为HTML。这种情况下，你在Chrome上面就看不到Ajax请求。

所以建议你使用Puppeteer/Pyppeteer/Selenium之类的工具获取经过渲染的HTML再传入GNE。

GNE 支持非新闻类网站吗（例如博客、论坛……）

不支持。

关于 GNE

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

GNE 的项目源代码在：https://github.com/kingname/GeneralNewsExtractor。

关于作者

GNE v0.1正式发布：4行代码开发新闻网站通用爬虫

标签：组合   ati   工具   新浪   优先   yaml   论坛   puppeteer   edr   

原文地址：https://blog.51cto.com/15023263/2558857