0

当我做

import newspaper
paper = newspaper.build('http://cnn.com', memoize_articles=False)
print(len(paper.articles))

我看到那家报纸从http://cnn.com找到了902篇文章，这对我来说似乎很少，考虑到他们每天发表很多文章，并且已经在网上发表了很多年的文章。这些真的是http://cnn.com上的所有文章吗？如果没有，有什么办法我也可以找到其余文章的网址吗？

4

1 回答 1

1

报纸只是查询CNN主页上的项目，所以模块不会查询域上的所有类别（例如商业、健康等）。根据我的代码，截至今天，只有 698 篇独特的文章被Newspaper发现。其中一些文章可能是相同的，因为一些 URL 具有哈希值，但看起来是同一篇文章。

PS您可以查询所有类别，但这需要Selenium加上Newspaper。

from newspaper import build

articles = []
urls_set = set()
cnn_articles = build('http://cnn.com', memoize_articles=False)
for article in cnn_articles.articles:
   # check to see if the article url is not within the urls_set
   if article.url not in urls_set:
     # add the unique article url to the set
     urls_set.add(article.url)
     articles.append(article.url)


print(len(articles))
# 698
于 2020-10-02T21:34:36.487 回答