Python：报纸模块 - 有什么办法可以直接从 URL 集中获取文章？

Question

我正在使用此处找到的用于 Python 的 Newspaper 模块。

在教程中，它描述了如何将不同报纸的构建集中在一起，同时生成它们。 （参见上面链接中的“多线程文章下载”）

有没有办法直接从网址列表中提取文章？ 也就是说，有什么方法可以将多个 url 输入到以下设置中并让它同时下载和解析它们？

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])

Answer 1

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）

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

Answer 2

我知道这个问题真的很老，但它是我在谷歌上搜索如何获取多线程报纸时出现的第一个链接之一。 虽然凯尔斯的回答很有帮助，但它并不完整，我认为它有一些错别字......

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url更改为articleURL 。 当然这只是下载网页，您仍然需要解析它们才能获得文本。

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：将样本量增加到 2000 后，减少了大约四分之一。）

（编辑：让整个事情都与多线程一起工作！）我对我的实现使用了这个很好的解释。 对于 100 个 url 的样本大小，使用 4 个线程所花费的时间与上面的代码相当，但将线程数增加到 10 可以进一步减少大约一半的时间。 更大的样本量需要更多的线程来提供可比较的差异。

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()

Answer 3

以约瑟夫的瓦尔斯回答为基础。 我假设原始海报想要使用多线程来提取一堆数据并将其正确存储在某个地方。 经过多次尝试，我想我找到了一个解决方案，它可能不是最有效的，但它有效，我试图让它变得更好，但是，我认为 news3k 插件可能有点问题。 但是，这适用于将所需元素提取到 DataFrame 中。

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')

请提出任何改进建议！

Answer 4

我不熟悉 Newspaper 模块，但以下代码使用了一个 URL 列表，并且应该与链接页面中提供的相同：

import newspaper
from newspaper import news_pool

urls = ['http://slate.com','http://techcrunch.com','http://espn.com']
papers = [newspaper.build(i) for i in urls]
news_pool.set(papers, threads_per_source=2)
news_pool.join()