作者 | CDA数据分析师
Newspaper框架是Python爬虫框架中在GitHub上点赞排名第三的爬虫框架，适合抓取新闻网页。它的操作非常简单易学，即使对完全没了解过爬虫的初学者也非常的友好，简单学习就能轻易上手，因为使用它不需要考虑header、IP代理，也不需要考虑网页解析，网页源代码架构等问题。这个是它的优点，但也是它的缺点，不考虑这些会导致它访问网页时会有被直接拒绝的可能。
总得来说，Newspaper框架并不适用于实际工程类新闻信息爬取工作，框架不稳定，爬取过程中会有各种bug，例如获取不到url、新闻信息等，但对于想获取一些新闻语料的朋友不妨一试，简单方便易上手，且不需要掌握太多关于爬虫方面的专业知识。
newspaper的功能
- 多线程文章下载框架
- 新闻网址识别
- 从html中提取文本
- 从html中提取顶部图像
- 从html中提取所有图像
- 从文本中提取关键字
- 从文本中提取摘要
- 从文本中提取作者
- Google趋势术语提取。
- 使用10种以上语言（英语，中文，德语，阿拉伯语…）
- …
newspaper包并不是默认已安装的模块库，因此在第一次使用newspaper库前，需要先安装好newspaper库，通常可以说通过快捷键win+R，输入cmd，回车打开命令窗口，输入
进行安装，需要注意的是：需要安装的是newspaper3k而不是newspaper，因为newspaper是python 2的安装包，pip install newspaper 无法正常安装，请用python 3对应的 pip install newspaper3k正确安装。
2.1 单条新闻爬取示例
爬取单条新闻用到的是newspaper中的Article包，爬取指定网页的新闻内容，也就是当你想爬取某一篇新闻的内容，那么需要先获取它的网址，然后再以这个单一的网址作为目标来爬取内容。
下面以2019年12月6日南方网的一篇新闻《最短10分钟 广州南站直达市中心》作为例子进行说明。首先需要设定新闻的网址，然后使用Article函数，第一个参数是网址，第二个常用参数是语言language，中文是以字符串**‘ch’**表示。然后在用download函数和parse函数对新闻进行加载已经解析，这两步执行完之后结果新闻所有内容就已经加载出来了，剩下来就是从中使用函数分解出自己需要的内容了。
结果：
除了常用到的正文和题目外，还可以获取新闻的作者、发布时间、摘要、关键词、图片链接、视频链接等等，但是并不能100%识别，很多新闻的作者，关键词和文章摘要都无法识别出来，发布时间，图片、视频链接就基本能识别出来。
如果文章没有指明使用的什么语言的时候，newspaper会尝试自动识别。世界上各国语言何其之多，newspaper也不能100%完美支持各种语言的，不过目前newspaper可以支持35种语言，基本上可以说能够覆盖时间上绝大多数国家和地区的新闻了。
通过newspaper.languages()，可以查看newspaper库支持的语言及其对应参数输入
2.2 同网站下多条新闻爬取
单条新闻爬取的效率太低了，而且需要先行找到新闻的详细网址才可以爬取其中内容，如果是需要爬取某个网站或者多个网站的大量新闻，这样使用明显是不够的。newspaper可以通过构建新闻源，把整个新闻网站的所有新闻包含进来，然后再通过这个新闻源对新闻网站进行索引和爬取。以下以南方网为例，详细解读该如何使用newspaper库爬取多条新闻。
1、先构建新闻源
2、文章缓存
默认情况下，newspaper缓存所有以前提取的文章，并删除它已经提取的任何文章。此功能用于防止重复的文章和提高提取速度。
相隔一段时间后重新构建同一网站的新闻源，再查看新闻链接，发现只有18个了，说明在这一段时间内，新增/更新了18条新闻。如果不需要使用这个功能，可以使用memoize_articles参数选择退出此功能。
3、提取源类别
通过category_urls()可提取出源网站下所有的其他新闻网站链接，可以通过取出来的网站链接，建立更多的新闻源，从而获取跟多的新闻。
结果：
4、提取源新闻网站的品牌和描述
构建新闻源之后，可以直接查看其品牌名称和新闻网站的介绍。
5、查看新闻链接
构建新闻源之后，还可以查看整个新闻源下的所有新闻链接及其数量，通过for循环，可以一一列出所有对应的新闻网页。这个与第三小点中的源类别不一样，源类别中提前的是新闻网站的主网页，每个主网页下有非常多新闻链接，而新闻链接是新闻源内的每一篇新闻报道的实际网址。
输出结果：
有一点需要注意的是，这1838条新闻链接中并不是全部链接都是对应着一篇新闻报道，有一些是只是新闻网站的子节点，子节点类似于一个新闻分类，里面装载这其他新闻的链接，它可能只有一个标题，没有新闻正文之类的内容。例如新闻链接中的第一、第二条链接，其网址也和下面几条新闻报道的网址有着较明显的区别，第一条链接对应的是《南方融媒体专区》，在newspaper里能通过.title()函数取出它的名字，但因为它没有新闻正文，所以用.text()取出的会是空字符串。
6、提取单篇文章
既然newspaper库能够提取新闻源里的每篇新闻报道的网址链接，那么必然能够根据这个来爬取新闻的内容，下面我们以新闻链接中的第四条链接为例，提取其中的一篇新闻报道——《创新的佛山呼唤一条创新街》。
输出结果：
7、提取新闻源下所有新闻内容
通过for循环，可以将新闻报道一篇一篇的进行加载并解析，将其内容爬取出来，因为newspaper库是属于比较简单粗暴的访问网页进行爬取，出现拒绝访问的可能性还是很大的，所以还必须得使用try试错。
输出结果（部分）：
从结果来看，newspaper此次的爬取还是非常成功的，没有出现404被拒绝访问的情况，顺利的把所有新闻报道都爬取下来了。