python抓取动态网页(如何快速将不同新闻网站中的大量新闻文章导出到一个)
优采云 发布时间: 2022-02-24 12:27python抓取动态网页(如何快速将不同新闻网站中的大量新闻文章导出到一个)
前几天,公司给我安排了一个新项目,让我在网上抓取新闻文章。为了用最简单快捷的方式完成这个任务,特意做了一些准备。
我们都知道有一些Python插件可以帮助我们完成爬虫的工作,其中一个叫做BeautifulSoup。这是一个非常有用的插件,但是这个插件需要我们深入了解各个新闻平台独特的html结构。像我这种懒惰的人绝对不会这样做。每个 网站 都需要了解框架,这是浪费时间。
通过大量搜索,我找到了一个简单的解决我的问题的方法,Newspaper3k!
在本教程中,我将向您展示如何将大量新闻文章 从不同的新闻网站 中快速抓取到一个简单的 python 脚本中。
如何使用 Newspaper3k 抓取新闻?
首先,我们需要将python插件安装到开发环境中。
提示:我们最好再创建一个虚拟 python 环境。
$ pip install newspaper3k
1、基础知识
import newspaper
from newspaper import Article
#将文章下载到内存的基础
article = Article("url link to your article")
article.download()
article.parse()
article.nlp()
# 输出全文
print(article.text)
# 输出文本摘要
# 因为newspaper3k内置了NLP工具,这一步行之有效
print(article.summary)
# 输出作者名字
print(article.authors)
# 输出关键字列表
print(article.keywords)
#收集文章中其他有用元数据的其他函数
article.title # 给出标题
article.publish_date #给出文章发表的日期
article.top_image # 链接到文章的主要图像
article.images # 提供一组图像链接
2、进阶:一条新闻下载多篇文章网站文章
当我正在抓取一堆新闻文章 时,我想从新闻网站上抓取多个 文章 并将所有内容放在 pandas 数据框中,这样我就可以将这些数据导出到 .csv 文件中,这很容易与这个插件有关。
import newspaper
from newspaper import Article
from newspaper import Source
import pandas as pd
# 假设我们要从Gamespot(该网站讨论视频游戏)下载文章
gamespot = newspaper.build("https://www.gamespot.com//news/", memoize_articles = False)
#我将memoize_articles设置为False,因为我不希望它缓存文章并将其保存到内存中,然后再运行。
# 全新运行,每次运行时都基本上执行此脚本
final_df = pd.DataFrame()
for each_article in gamespot.articles:
each_article.download()
each_article.parse()
each_article.nlp()
temp_df = pd.DataFrame(columns = ['Title', 'Authors', 'Text',
'Summary', 'published_date', 'Source'])
temp_df['Authors'] = each_article.authors
temp_df['Title'] = each_article.title
temp_df['Text'] = each_article.text
temp_df['Summary'] = each_article.summary
temp_df['published_date'] = each_article.publish_date
temp_df['Source'] = each_article.source_url
final_df = final_df.append(temp_df, ignore_index = True)
#从这里可以将此Pandas数据框导出到csv文件
final_df.to_csv('my_scraped_articles.csv')
得到它!很容易爬到很多文章。
使用上面的代码,你可以实现一个for循环来循环遍历大量的报纸资源。创建一个可以导出和使用的海量最终数据框。
3、多线程网络爬取
我上面提出的解决方案对某些人来说可能有点慢,因为它会一一下载 文章。如果您有许多新闻来源,则可能需要一段时间才能浏览。还有一种方法可以加快这个过程:就是借助多线程技术,我们可以做快速爬取。
Python多线程技术解决方案:
注意:在下面的代码中,我实现了每个源的下载限制。运行此脚本时可能需要将其删除。实施此限制是为了允许用户在运行代码时对其进行测试。
我喜欢边做边学,我建议任何看到这个文章的人都可以使用上面的代码,自己动手。从这里,您现在可以使用 Newspaper3k 来抓取网络 文章。
防范措施:
- 结尾 -
希望以上内容对大家有所帮助,喜欢本文的同学记得转发+采集哦~