提取新闻网站信息
分享一个爬取新闻类信息得Python库: GeneralNewsExtractor(GNE),也可以认为是通用新闻网站正文抽取模块,输入新闻详情页面得的 HTML信息, 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、新浪新闻等中文新闻网站信息时均可以正确提取出来。
使用该模块不是爬取数据而是为了提取数据。
使用Ctrl+u快捷键获取新闻详细信息的HTML源码。
1:安装gne库: pip install gne
2:代码提取内容
from gne import GeneralNewsExtractor
extractor = GeneralNewsExtractor()
html = """新闻详情页的HTML源码"""
result = extractor.extract(html)
print(result)
结果如下: