报纸图书馆

Question

作为使用 python 主题的绝对新手，我在使用报纸库扩展时遇到了一些困难。我的目标是定期使用报纸扩展程序下载名为 "tagesschau" 的德国新闻网站的所有新文章和 CNN 的所有文章，以构建我可以在几年内分析的数据堆栈。如果我做对了，我可以使用以下命令下载所有文章并将其抓取到 python 库中。

import newspaper
from newspaper import news_pool

tagesschau_paper = newspaper.build('http://tagesschau.de')
cnn_paper = newspaper.build('http://cnn.com')

papers = [tagesschau_paper, cnn_paper]
news_pool.set(papers, threads_per_source=2) # (3*2) = 6 threads total
news_pool.join()`

如果这是下载所有文章的正确方法，那么我如何提取和保存 python 之外的文章？或者将这些文章保存在 python 中，以便在我再次重新启动 python 时可以重新使用它们？

感谢您的帮助。

Answer 1

您可以使用 pickle 将对象保存在 python 之外并稍后重新打开它们：

file_Name = "testfile"
# open the file for writing
fileObject = open(file_Name,'wb') 

# this writes the object news_pool to the
# file named 'testfile'
pickle.dump(news_pool,fileObject)   

# here we close the fileObject
fileObject.close()
# we open the file for reading
fileObject = open(file_Name,'r')  
# load the object from the file into var news_pool_reopen
news_pool_reopen = pickle.load(fileObject)

Answer 2

以下代码会将下载的文章保存为HTML格式。在文件夹中，您会找到。 tagesschau_paper0.html, tagesschau_paper1.html, tagesschau_paper2.html, .....

import newspaper
from newspaper import news_pool

tagesschau_paper = newspaper.build('http://tagesschau.de')
cnn_paper = newspaper.build('http://cnn.com')

papers = [tagesschau_paper, cnn_paper]
news_pool.set(papers, threads_per_source=2)
news_pool.join()

for i in range (tagesschau_paper.size()): 
    with open("tagesschau_paper{}.html".format(i), "w") as file:
    file.write(tagesschau_paper.articles[i].html)

注意：news_pool 没有从 CNN 得到任何东西，所以我跳过了为其编写代码。如果您检查 cnn_paper.size()，结果为 0。您必须导入并使用 Source。

上面的代码也可以作为示例保存为其他格式的文章，例如。 txt，也只有文章中需要的部分，例如作者，正文，publish_date.

报纸图书馆

Newspaper library

python

python-newspaper