新闻网页通用抽取器GNEv0.04版更新，支持提取正文图片与源代码

Posted 2020-11-22 xieqiankun

GeneralNewsExtractor以下简称GNE是一个新闻网页通用抽取器，能够在不指定任何抽取规则的情况下，把新闻网站的正文提取出来。

我们来看一下它的基本使用方法。

安装 GNE

使用 pip 安装：

pip install --upgrade git+https://github.com/kingname/GeneralNewsExtractor.git

当然你也可以使用pipenv安装：

pipenv install git+https://github.com/kingname/GeneralNewsExtractor.git#egg=gne

获取新闻网页源代码

GNE 现在不会，将来也不会提供网页请求的功能，所以你需要自行想办法获取经过渲染以后的网页源代码。你可以使用Selenium或者Pyppeteer或者直接从浏览器上复制。

这里演示如何直接从浏览器中复制网页的源代码：

1. 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：

1. 在Elements标签页定位到标签，并右键，选择Copy-Copy Outerhtml，如下图所示

1. 把源代码保存为1.html

提取正文信息

编写如下代码：

from gne import GeneralNewsExtractor

with open('1.html') as f:
    html = f.read()

extractor = GeneralNewsExtractor()
result = extractor.extract(html)
print(result)

运行效果如下图所示：

这次更新了什么

在最新更新的 v0.04版本中，开放了正文图片提取功能，与返回正文源代码功能。其中返回图片 URL 的功能在上面已经演示了，结果中的images字段就是正文中的图片。

那么怎么返回正文源代码呢？只需要增加一个参数with_body_html=True即可：

from gne import GeneralNewsExtractor

with open('1.html') as f:
    html = f.read()

extractor = GeneralNewsExtractor()
result = extractor.extract(html, with_body_html=True)
print(result)

运行效果如下图所示：

返回结果中的body_html就是正文的 html 源代码。

关于 GNE 的深入使用，可以访问GNE 的Github: https://github.com/kingname/GeneralNewsExtractor。