首页
学习
活动
专区
圈层
工具
发布
社区首页 >问答首页 >Python:报纸模块--有什么方法可以直接从URL获取文章吗?

Python:报纸模块--有什么方法可以直接从URL获取文章吗?
EN

Stack Overflow用户
提问于 2016-05-24 02:47:00
回答 4查看 2.7K关注 0票数 4

我正在为python 这里使用报纸模块。

在教程中,它描述了如何汇集不同报纸的建设。它同时产生它们。(请参阅上面链接中的“多线程文章下载”)

有什么方法可以直接从urls列表中提取文章吗?也就是说,我是否可以将多个urls插入到下面的设置中,并让它同时下载和解析它们?

代码语言:javascript
复制
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])
EN

回答 4

Stack Overflow用户

回答已采纳

发布于 2016-07-06 19:13:38

我能够通过为每个文章URL创建一个Source来做到这一点。(免责声明:不是python开发人员)

代码语言:javascript
复制
import newspaper

urls = [
  'http://www.baltimorenews.net/index.php/sid/234363921',
  'http://www.baltimorenews.net/index.php/sid/234323971',
  'http://www.atlantanews.net/index.php/sid/234323891',
  'http://www.wpbf.com/news/funeral-held-for-gabby-desouza/33874572',  
]

class SingleSource(newspaper.Source):
    def __init__(self, articleURL):
        super(StubSource, self).__init__("http://localhost")
        self.articles = [newspaper.Article(url=url)]

sources = [SingleSource(articleURL=u) for u in urls]

newspaper.news_pool.set(sources)
newspaper.news_pool.join()

for s in sources:
  print s.articles[0].html
票数 4
EN

Stack Overflow用户

发布于 2018-08-07 16:10:30

我知道这个问题确实很古老,但这是我在谷歌上搜索如何获取多线程报纸时最先出现的链接之一。虽然Kyles的答案很有帮助,但它并不完整,我认为它有一些排印.

代码语言:javascript
复制
import newspaper

urls = [
'http://www.baltimorenews.net/index.php/sid/234363921',
'http://www.baltimorenews.net/index.php/sid/234323971',
'http://www.atlantanews.net/index.php/sid/234323891',
'http://www.wpbf.com/news/funeral-held-for-gabby-desouza/33874572',  
]

class SingleSource(newspaper.Source):
def __init__(self, articleURL):
    super(SingleSource, self).__init__("http://localhost")
    self.articles = [newspaper.Article(url=articleURL)]

sources = [SingleSource(articleURL=u) for u in urls]

newspaper.news_pool.set(sources)
newspaper.news_pool.join()

我将Stubsource更改为Singlesource,将其中一个urls更改为articleURL。当然,这只是下载网页,你仍然需要解析它们才能得到文本。

代码语言:javascript
复制
multi=[]
i=0
for s in sources:
    i+=1
    try:
        (s.articles[0]).parse()
        txt = (s.articles[0]).text
        multi.append(txt)
    except:
        pass

在我的100个url示例中,与仅按顺序处理每个url相比,这花费了一半的时间。(编辑:在将样本数量增加到2000年之后,大约减少了四分之一。)

(编辑:让整个工作与多线程!)我对我的实现使用了非常好的解释。当样本大小为100个urls时,使用4个线程所需的时间与上面的代码相当,但是将线程数量增加到10会进一步减少大约一半。更大的样本大小需要更多的线程来提供一个可比较的差异。

代码语言:javascript
复制
import newspaper
from multiprocessing.dummy import Pool as ThreadPool

def getTxt(url):
    article = Article(url)
    article.download()
    try:
        article.parse()
        txt=article.text
        return txt
    except:
        return ""

pool = ThreadPool(10)

# open the urls in their own threads
# and return the results
results = pool.map(getTxt, urls)

# close the pool and wait for the work to finish 
pool.close() 
pool.join()
票数 4
EN

Stack Overflow用户

发布于 2020-04-09 00:54:40

以约瑟夫的回答为基础。我假设最初的海报想要使用多线程来提取一堆数据,并将其正确地存储在某个地方。经过多次尝试,我认为我已经找到了一个解决方案,它可能不是最有效的,但它是有效的,我试着使它更好,然而,我认为newspaper3k插件可能有点错误。但是,这在将所需的元素提取到DataFrame中时是有效的。

代码语言:javascript
复制
import newspaper
from newspaper import Article
from newspaper import Source
import pandas as pd

gamespot_paper = newspaper.build('https://www.gamespot.com/news/', memoize_articles=False)
bbc_paper = newspaper.build("https://www.bbc.com/news", memoize_articles=False)
papers = [gamespot_paper, bbc_paper]
news_pool.set(papers, threads_per_source=4) 
news_pool.join()

#Create our final dataframe
df_articles = pd.DataFrame()

#Create a download limit per sources
limit = 100

for source in papers:
    #tempoary lists to store each element we want to extract
    list_title = []
    list_text = []
    list_source =[]

    count = 0

    for article_extract in source.articles:
        article_extract.parse()

        if count > limit:
            break

        #appending the elements we want to extract
        list_title.append(article_extract.title)
        list_text.append(article_extract.text)
        list_source.append(article_extract.source_url)

        #Update count
        count +=1


    df_temp = pd.DataFrame({'Title': list_title, 'Text': list_text, 'Source': list_source})
    #Append to the final DataFrame
    df_articles = df_articles.append(df_temp, ignore_index = True)
    print('source extracted')

请建议任何改进!

票数 1
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/37403563

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档