新闻平台聚合之纽约时报爬虫发布

﹏ヽ暗。殇╰゛Y 2022-11-14 10:10 261阅读 0赞

## idea of startproject ##

1.  对于 web 开发者而言，目前各大新闻门户网站，新浪新闻，百度新闻，腾讯新闻，澎湃新闻，头条新闻并没有提供稳定可用的 feed api。
2.  对于 nlper，缺乏足够的新闻语料数据集来供训练。
3.  对于新闻传播/社会学/心理学等从业者，缺乏获取新闻数据的简单易用途径来供分析。
4.  如果上面三点是某见识所限，其实并不存在的话，第 4 点，则是某的私心，某以为互联网的记忆太短了，热搜一浪盖过一浪，所以试图定格互联网新闻的某些瞬间，最后会以网站的形式发布出来。

> project 的 Github：https://github.com/Python3Spiders/AllNewsSpider

继承自 [新闻平台聚合之新浪新闻爬虫发布  
][Link 1]，本篇是新闻系列的第四篇，以美国著名的报纸：纽约时报网站为目标站点，这次的新闻爬虫和以往有很大不同，不再以分类形式抓取新闻，而是以关键词搜索抓取新闻，具体可以往下读。

### 纽约时报爬虫 ###

该爬虫实现的主要功能罗列如下：

1.  按自定义关键词搜索纽约时报上的新闻内容，抓取保存到本地
2.  可以自定义抓取的起止时间
3.  字段信息较为齐全，如下表格

<table> 
 <thead> 
  <tr> 
   <th>字段名</th> 
   <th>字段含义</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>title</td> 
   <td>新闻标题</td> 
  </tr> 
  <tr> 
   <td>summary</td> 
   <td>新闻概括</td> 
  </tr> 
  <tr> 
   <td>url</td> 
   <td>新闻链接</td> 
  </tr> 
  <tr> 
   <td>publish_time</td> 
   <td>新闻发表时间</td> 
  </tr> 
  <tr> 
   <td>content</td> 
   <td>新闻具体内容</td> 
  </tr> 
 </tbody> 
</table>

再说说如何使用（默认读者均有 python3.6+ 环境）

1.  将仓库 nytimes 文件夹下的 nytimes\_news\_spider.pyd 文件下载到本地，新建项目，把 pyd 文件放进去
2.  项目根目录下新建 runner.py，写入以下代码即可运行并抓取
    
        from nytimes_news_spider import main
        
        if __name__ == '__main__':
            main(keyword="huawei", beginDate="20210101", endDate="20210318")

爬取结束了，会在当前目录下生成一个 `{keyword}(nytimes).csv`文件，如下图

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70_pic_center]

阅读原文即可直达该爬虫的 Github 地址。

[Link 1]: https://blog.csdn.net/ygdxt/article/details/114710995?spm=1001.2014.3001.5501
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70_pic_center]: /images/20221022/ffb713435ea145d69cd2b8cd9a1af1ed.png