V2EX = way to explore
V2EX 是一个关于分享和探索的地方
Sign Up Now
For Existing Member Sign In
推荐学习书目
› Learn Python the Hard Way
Python Sites
› PyPI - Python Package Index
› http://diveintopython.org/toc/index.html
› Pocoo
值得关注的项目
› PyPy
› Celery
› Jinja2
› Read the Docs
› gevent
› pyenv
› virtualenv
› Stackless Python
› Beautiful Soup
› 结巴中文分词
› Green Unicorn
› Sentry
› Shovel
› Pyflakes
› pytest
Python 编程
› pep8 Checker
Styles
› PEP 8
› Google Python Style Guide
› Code Style from The Hitchhiker's Guide
This topic created in 3882 days ago, the information mentioned may be changed or developed.
我想下载尽可能多的新闻文章，现在用的是 Scrapy 来搭建爬虫，然后用 newspaper ，一个抓取新闻 metadata 的包，来抓取文章的标题、正文等。
会遇到一些 url ， newspaper 还是能抓取出一些东西，然后保存进来。想问下有没有办法，判断出 url 是否是 news articles page 。
有大神知道，像 google news 他是爬取整个网络，是怎么判断出文章链接的？
 |
1
MasterYoda Sep 18, 2015
新闻和其他信息不同，搜索引擎有专门收录新闻网站。。。
你可以看看百度和 Google 的新闻收录规定，你可以提交你的新闻网站，他们的收录方式不同，估计可以从这里判断出哪些是新闻吧。 |
 |
2
WKPlus Sep 18, 2015
是指 url 去重么？ bloom?
|
 |
3
say2old Sep 18, 2015
新闻页面一般都是模板生成，在 URL 上一定符合某种 pattern 。你可以先通过某种方法收集新闻网页的 pattern （比如楼上说的去搜索引擎专门收录新闻网站的地方收集），然后做成 pattern 白名单在 scrapy 里面用，这样抓下来的所有页面都是新闻，再交给 newspaper 处理。如果希望通过文本分析判断一个页面是不是新闻，可以做，但不一定有新闻白名单的方案，简单且质量高
|
 |
4
zog Sep 18, 2015
数据量很大 bloom ，不大，几千几万个用 md5 吧。
|
 |
5
poke707 Sep 20, 2015 via Android
试试能不能把 sitemap 挖出来
|
 |
6
jyb002 OP |
|
7
jyb002 OP Python Code:
import newspaper url = '要判断链接‘ a = newspaper.article(url) a.is_valid_url() |
 |
8
pinggaimuir Sep 5, 2018
@jyb002 非常感谢
|
Select Language