GNE: 通用新闻网站正文抽取器

GeneralNewsExtractor（GNE）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。

使用方式也非常简单：

1
2
3
4
5
6
from gne import GeneralNewsExtractor

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

本项目取名为 抽取器 ，而不是 爬虫 ，是为了规避不必要的风险，因此，本项目的输入是 HTML源代码，输出是一个字典。请自行使用恰当的方法获取目标网站的 HTML。

GNE现在不会，将来也不会提供主动请求网站 HTML 的功能。

如何使用

如果你想体验 GNE 的功能，请按照如下步骤进行：

  1. 在线体验

如果你想先体验 GNE 的提取效果，那么你可以访问 http://122.51.39.219。 一般情况下，你只需要把网页粘贴到最上面的多行文本框中，然后点 提取 按钮即可。通过附加更多的参数，可以让提取更精确。具体 参数的写法与作用，请参阅 API

  1. 安装 GNE
# 以下两种方案任选一种即可

# 使用 pip 安装
pip install --upgrade gne

# 使用 pipenv 安装
pipenv install gne
  1. 使用 GNE
>>> from gne import GeneralNewsExtractor
>>> html = '''经过渲染的网页 HTML 代码'''
>>> extractor = GeneralNewsExtractor()
>>> result = extractor.extract(html, noise_node_list=['//div[@class="comment-list"]'])
>>> print(result)
{"title": "xxxx", "publish_time": "2019-09-10 11:12:13", "author": "yyy", "content": "zzzz", "images": ["/xxx.jpg", "/yyy.png"]}

注意事项

  • 本项目的输入 HTML 为经过 JavaScript 渲染以后的 HTML，而不是普通的网页源代码。所以无论是后端渲染、Ajax 异步加载都适用于本项目。
  • 如果你要手动测试新的目标网站或者目标新闻，那么你可以在 Chrome 浏览器中打开对应页面，然后开启 开发者工具 ，如下图所示：
_images/2019-09-08-22-20-33.png

在 Elements 标签页定位到 <html> 标签，并右键，选择 Copy - Copy OuterHTML ，如下图所示

_images/2019-09-08-22-21-49.png
  • 当然，你可以使用 Puppeteer/Pyppeteer、Selenium 或者其他任何方式获取目标页面的 JavaScript渲染后的 源代码。
  • 获取到源代码以后，通过如下代码提取信息：
1
2
3
4
5
6
from gne import GeneralNewsExtractor

extractor = GeneralNewsExtractor()
html = '你的目标网页正文'
result = extractor.extract(html)
print(result)
  • 如果标题自动提取失败了，你可以指定 XPath：
1
2
3
4
5
6
from gne import GeneralNewsExtractor

extractor = GeneralNewsExtractor()
html = '你的目标网页正文'
result = extractor.extract(html, title_xpath='//h5/text()')
print(result)

对大多数新闻页面而言，以上的写法就能够解决问题了。

但某些新闻网页下面会有评论，评论里面可能存在长篇大论，它们会看起来比真正的新闻正文更像是正文， 因此 extractor.extract() 方法还有一个默认参数 noise_node_list ，用于在网页预处理时提前把评论区域整个移除。 noise_mode_list 的值是一个列表，列表里面的每一个元素都是 XPath，对应了你需要提前移除的，可能会导致干扰的目标标签。

例如， 观察者网 下面的评论区域对应的Xpath 为 //div[@class="comment-list"] 。所以在提取观察者网时，为了防止评论干扰，就可以加上这个参数：

result = extractor.extract(html, noise_node_list=['//div[@class="comment-list"]'])

运行截图

网易新闻

_images/WX20191125-231230.png

今日头条

_images/WX20191125-225851.png

新浪新闻

_images/WX20191125-231506.png

凤凰网

_images/WX20191126-004218.png

API

GNE 的函数原型为：

class GeneralNewsExtractor:
    def extract(self, html, title_xpath='', host='', author_xpath='', publish_time_xpath='', noise_node_list=None, with_body_html=False)

各个参数的意义如下：

  • html(str): 目标网站的源代码
  • title_xpath(str): 新闻标题的 XPath，用于定向提取标题
  • host(str): 图片所在的域名，例如 https://www.kingname.info, 那么，当GNE 从新闻网站提取到图片的相对连接``/images/123.png``时，会把 host 拼接上去，变成``https://www.kingname.info/images/123.png``
  • noise_node_list(List[str]): 一个包含 XPath 的列表。这个列表中的 XPath 对应的标签，会在预处理时被直接删除掉，从而避免他们影响新闻正文的提取
  • with_body_html(bool): 默认为 False，此时，返回的提取结果不含新闻正文所在标签的 HTML 源代码。当把它设置为 True 时，返回的结果会包含字段 body_html，内容是新闻正文所在标签的 HTML 源代码
  • author_xpath(str): 文章作者的 XPath，用于定向提取文章作者
  • publish_time_xpath(str): 文章发布时间的 XPath，用于定向提取文章发布时间

配置文件

API 中的参数 title_xpath、 host、 noise_node_list、 with_body_html 、 author_xpath、 publish_time_xpath 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
author:
    xpath: //meta[@name="author"]/@content
publish_time:
    xpath: //em[@id="publish_time"]/text()
  • JSON 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,
    "author": {
        "xpath": "//meta[@name=\"author\"]/@content"
    },
    "publish_time": {
        "xpath": "//em[@id=\"publish_time\"]/text()"
    }
}

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。你只需要填写你需要的字段即可。

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。

已知问题

  1. 目前本项目只适用于新闻页的信息提取。如果目标网站不是新闻页，或者是今日头条中的相册型文章，那么抽取结果可能不符合预期。
  2. 可能会有一些新闻页面出现抽取结果中的作者为空字符串的情况，这可能是由于文章本身没有作者，或者使用了已有正则表达式没有覆盖到的情况。

Changelog

2020.03.11

  1. 预处理可能会破坏 HTML 结构，导致用户自定义的 XPath 无法正确工作，因此需要把提取用户名、发布时间、标题的代码放在预处理之前。

2020.02.21

  1. 感谢@止水提供的 meta 对应的新闻时间属性，现在会从 HTML 的 meta 数据中检查是否有发布时间。

2020.02.13

  1. 在 GeneralNewsExtractor().extract() 方法中传入参数 author_xpath 和 publish_time_xpath 强行指定抓取作者与发布时间的位置。
  2. 在 .gne 配置文件中，通过如下两个配置分别指定作者与发布时间的 XPath：
author:
    xpath: //meta[@name="author"]/@content
publish_time:
    xpath: //em[@id="publish_time"]/text()

2020.01.04

  1. 修复由于 node.getparent().remove() 会移除父标签中，位于自己后面的 text 的问题
  2. 对于class 中含有 article / content / news_txt / post_text 的标签，增加权重
  3. 使用更科学的方法移除无效标签

2019.12.31

通用参数可以通过 YAML、JSON 批量设置了。只需要在项目的根目录下创建一个 .gne ，就可以实现函数默认参数的功能。

2019.12.29

  1. 现在可以通过传入参数 host 来把提取的图片url 拼接为绝对路径

例如：

1
2
3
extractor = GeneralNewsExtractor()
result = extractor.extract(html,
                           host='https://www.xxx.com')

返回数据中：

1
2
3
4
5
6
{
    ...
    "images": [
        "https://www.xxx.com/W020190918234243033577.jpg"
      ]
}

2019.11.24

  1. 增加更多的 UselessAttr
  2. 返回的结果包含 images 字段，里面的结果是一个列表，保存了正文中的所有图片 URL
  3. 指定 with_body_html 参数，返回的数据中将会包含 body_html 字段，这是正文的 HTMl 源代码：
1
2
3
result = GeneralNewsExtractor().extract(html, with_body_html=True)
body_html = result['body_html']
print(f'正文的网页源代码为：{body_html}')

交流沟通

如果您觉得GNE对您的日常开发或公司有帮助，请加作者微信 mxqiuchen（或扫描下方二维码） 并注明”GNE”，作者会将你拉入群。

https://kingname-1257411235.cos.ap-chengdu.myqcloud.com/IMG_3729_2.JPG

验证消息： GNE

如果你不用微信，那么可以加入 Telegram 交流群：https://t.me/joinchat/Bc5swww_XnVR7pEtDUl1vw