GitHubじゃ!Pythonじゃ!

GitHubからPython関係の優良リポジトリを探したかったのじゃー、でも英語は出来ないから日本語で読むのじゃー、英語社会世知辛いのじゃー

codelucas

newspaper – Python 3でのニュース、フルテキスト、記事メタデータの抽出。高度なドキュメント: :

投稿日:

Python 3でのニュース、フルテキスト、記事メタデータの抽出。高度なドキュメント: https : //goo.gl/VX41yK

新聞3k:記事のスクレイピングとキュレーション

シンプルさとlxmlの速度の要求からインスパイアされています

“新聞は記事を抽出してキュレーションするための素晴らしいPythonライブラリです。” – Kenneth Reitz 氏のツイート

“新聞はInstapaperスタイルの記事抽出を提供します。” – 変更履歴

新聞はPython3ライブラリです! あるいは、 廃止予定のバグの Python2ブランチを見る

A Glance:

>>> from newspaper import Article

>>> url = 'http://fox13now.com/2013/12/30/new-year-new-laws-obamacare-pot-guns-and-drones/'
>>> article = Article(url)
>>> article.download()

>>> article.html
'<!DOCTYPE HTML><html itemscope itemtype="http://...'
>>> article.parse()

>>> article.authors
['Leigh Ann Caldwell', 'John Honway']

>>> article.publish_date
datetime.datetime(2013, 12, 30, 0, 0)

>>> article.text
'Washington (CNN) -- Not everyone subscribes to a New Year's resolution...'

>>> article.top_image
'http://someCDN.com/blah/blah/blah/file.png'

>>> article.movies
['http://youtube.com/path/to/link.com', ...]
>>> article.nlp()

>>> article.keywords
['New Years', 'resolution', ...]

>>> article.summary
'The study shows that 93% of people ...'
>>> import newspaper

>>> cnn_paper = newspaper.build('http://cnn.com')

>>> for article in cnn_paper.articles:
>>>     print(article.url)
http://www.cnn.com/2013/11/27/justice/tucson-arizona-captive-girls/
http://www.cnn.com/2013/12/11/us/texas-teen-dwi-wreck/index.html
...

>>> for category in cnn_paper.category_urls():
>>>     print(category)

http://lifestyle.cnn.com
http://cnn.com/world
http://tech.cnn.com
...

>>> cnn_article = cnn_paper.articles[0]
>>> cnn_article.download()
>>> cnn_article.parse()
>>> cnn_article.nlp()
...
>>> from newspaper import fulltext

>>> html = requests.get(...).text
>>> text = fulltext(html)

新聞にはシームレスな言語抽出と検出機能があります。 言語が指定されていない場合、新聞は言語の自動検出を試みます。

>>> 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])
香港行政长官梁振英在各方压力下就其大宅的违章建
筑(僭建)问题到立法会接受质询,并向香港民众道歉。
梁振英在星期二(12月10日)的答问大会开始之际
在其演说中道歉,但强调他在违章建筑问题上没有隐瞒的
意图和动机。 一些亲北京阵营议员欢迎梁振英道歉,
且认为应能获得香港民众接受,但这些议员也质问梁振英有

>>> print(a.title)
港特首梁振英就住宅违建事件道歉

ニュースソース全体が1つの言語になっていることが確実な場合は、同じAPIを使用してください:)

>>> import newspaper
>>> sina_paper = newspaper.build('http://www.sina.com.cn/', language='zh')

>>> for category in sina_paper.category_urls():
>>>     print(category)
http://health.sina.com.cn
http://eladies.sina.com.cn
http://english.sina.com
...

>>> article = sina_paper.articles[0]
>>> article.download()
>>> article.parse()

>>> print(article.text)
新浪武汉汽车综合 随着汽车市场的日趋成熟,
传统的“集全家之力抱得爱车归”的全额购车模式已然过时,
另一种轻松的新兴 车模式――金融购车正逐步成为时下消费者购
买爱车最为时尚的消费理念,他们认为,这种新颖的购车
模式既能在短期内
...

>>> print(article.title)
两年双免0手续0利率 科鲁兹掀背金融轻松购_武汉车市_武汉汽
车网_新浪汽车_新浪网

ドキュメンテーション

新聞を使用した完全かつ詳細なガイドについては、 ドキュメントを参照してください。

新しい言語を追加することに興味がありますか? 参照先: ドキュメント – 新しい言語の追加

特徴

  • マルチスレッド記事のダウンロードフレームワーク
  • ニュースのURLの識別
  • HTMLからのテキスト抽出
  • htmlからのトップ画像抽出
  • htmlからのすべての画像抽出
  • テキストからのキーワード抽出
  • テキストからの要約抽出
  • テキストからの著者抽出
  • Googleトレンド用語抽出
  • 10以上の言語で動作します(英語、中国語、ドイツ語、アラビア語、…)
>>> import newspaper
>>> newspaper.languages()

Your available languages are:
input code      full name

  ar              Arabic
  ru              Russian
  nl              Dutch
  de              German
  en              English
  es              Spanish
  fr              French
  he              Hebrew
  it              Italian
  ko              Korean
  no              Norwegian
  fa              Persian
  pl              Polish
  pt              Portuguese
  sv              Swedish
  hu              Hungarian
  fi              Finnish
  da              Danish
  zh              Chinese
  id              Indonesian
  vi              Vietnamese
  sw              Swahili
  tr              Turkish
  el              Greek
  uk              Ukrainian
  bg              Bulgarian
  hr              Croatian
  ro              Romanian
  sl              Slovenian
  sr              Serbian
  et              Estonian

今すぐ取得する

走る pip3 install newspaper3k

ない⛔pip3 pip3 install newspaper

python3ではnewspaper3kはなく newspaperインストールする必要があります。 newspaperは私たちのpython2ライブラリです。 新聞をインストールするのは簡単ですが、ubuntuにインストールしようとすると修正可能な問題が発生します。

Debian / Ubuntuを使用している場合は、以下を使用してインストールしてください:

  • newspaper3kパッケージをインストールするために必要なpip3コマンドをインストールします。

    $ sudo apt-get install python3-pip
    
  • Python.hに必要なPython開発版:

    $ sudo apt-get install python-dev
    
  • lxmlの要件:

    $ sudo apt-get install libxml2-dev libxslt-dev
    
  • PILが.jpg画像を認識するために:

    $ sudo apt-get install libjpeg-dev zlib1g-dev libpng12-dev
    

注: libpng12-devインストールに問題がある場合は、 libpng-devインストールしてみてください。

  • NLP関連コーパスをダウンロード:

    $ curl https://raw.githubusercontent.com/codelucas/newspaper/master/download_corpora.py | python3
    
  • pipを使って配布をインストールしてください:

    $ pip3 install newspaper3k
    

OSXを使用している場合は、次のコマンドを使用してインストールしてください。homebrewまたはmacportsの両方を使用できます。

$ brew install libxml2 libxslt

$ brew install libtiff libjpeg webp little-cms2

$ pip3 install newspaper3k

$ curl https://raw.githubusercontent.com/codelucas/newspaper/master/download_corpora.py | python3

それ以外の場合は、次のようにインストールします。

注:パッケージマネージャを使用して、次のライブラリをインストールする必要があります。

  • PIL: libjpeg-dev zlib1g-dev libpng12-dev
  • lxml: libxml2-dev libxslt-dev
  • Python開発版: python-dev
$ pip3 install newspaper3k

$ curl https://raw.githubusercontent.com/codelucas/newspaper/master/download_corpora.py | python3

開発

あなたが新聞プロジェクトに貢献してハックしたいのであれば、このリポジトリの開発版をローカルで自由に複製することができます:

git clone git://github.com/codelucas/newspaper.git

ソースのコピーを取得したら、それをPythonパッケージに埋め込むか、簡単にサイトパッケージにインストールすることができます:

$ pip3 install -r requirements.txt
$ python3 setup.py install

私たちのテストスイートに自由に挑戦してください。すべてが嘲笑されます!

$ python3 tests/unit_tests.py

フルテキストアルゴリズムの調整を計画していますか? fulltextパラメータを追加します。

$ python3 tests/unit_tests.py fulltext

デモ

こちらのオンラインデモをご覧ください: http : //newspaper-demo.herokuapp.comこれは別の実用オンラインデモです: http : //newspaper.chinazt.cc/

ライセンス

Lucas Ou-Yangによって書かれ維持されています。

Parse.lyは 、特に自動抽出に焦点を当てた新聞の仕事を主催しました。

新聞はPython-Gooseの解析コードをたくさん使います。 ここでライセンスを表示してください

あなたが問題に遭遇した場合、または単にこの図書館の将来と一般的なニュースの抽出についてお話したい場合は、 電子メールと私に連絡してください







-codelucas
-, , , , ,

執筆者: