python - 如何使用 Python Newspaper 从存储的 HTML 中提取

Question

我已经在本地驱动器上抓取并存储了页面 HTML。我现在需要使用 Python Newspaper（Ver 0.1.2）和 Python（Ver 2.7.10）提取内容、标题、图像等信息。我无法在 Internet 上找到与此相关的任何内容。我如何实现上述目标？

Answer 1

您可能已经解决了这个问题。但这里有一种使用Newspaper解析存储的 HTML 文件的方法。

from newspaper import Article

article = Article('')
article.set_html(open("cnn_article.html").read())
article.parse()
title = article.title
authors = article.authors
text = article.text
keywords = article.meta_keywords
published_date = sorted({value for (key, value) in 
article.meta_data.items() if key == 'pubdate'})