3

作为使用 python 主题的绝对新手，我在使用报纸库扩展时偶然发现了一些困难。我的目标是定期使用报纸扩展来下载一个名为“tagesschau”的德国新闻网站的所有新文章以及来自 CNN 的所有文章，以构建一个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将所有文章下载并抓取到 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，那么我如何在 python 之外提取和保存这些文章？或者将这些文章保存在 python 中，以便在我再次重新启动 python 时可以重用它们？

谢谢你的帮助。

4

2 回答 2

1

以下代码将以 HTML 格式保存下载的文章。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，所以我跳过为它编写代码。如果你检查cnn_paper.size()，它的结果是0。您必须导入并使用Source代替。

上述代码也可以作为示例以其他格式保存文章，例如txt，也可以只保存文章中您需要的部分，例如作者、正文、发布日期。

于 2018-11-16T08:49:07.747 回答
-1

您可以使用 pickle 在 python 之外保存对象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)
于 2018-11-13T22:41:39.023 回答