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)

　　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)

　　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~