如何提取网页中的日期？

Love The Way You Lie 2023-10-10 14:25 52阅读 0赞

虽然在提取新闻正文的时候，准确率比较高，但由于提取新闻发布时间使用的是正则表达式，因此提取效果有时候不那么让人满意。

最近我发现Python的一个第三方库，叫做`htmldate`，经过测试，它提取新闻的发布时间比较准确。我们来看看这个库怎么使用。

首先使用`pip`安装：

python3 -m pip install htmldate

然后，我们使用Requests或者Selenium获得网站的源代码：

import requests

from htmldate import find\_date

html = requests.get('[https://www.kingname.info/2022/03/09/this-is-gnelist/][https_www.kingname.info_2022_03_09_this-is-gnelist]').content.decode('utf-8')

date = find\_date(html)

print(date)

运行效果如下图所示：

![7c325b691a285929d8f39fa3d001fc69.png][]

而这篇文章的发布时间，确实是3月9号

![3f030e7d7c38f36f5d9555fca4b4e60d.png][]

我们再用网易新闻来看一下，**相互激励 增进友谊（精彩绽放） |残奥|中国代表团|单板滑雪|夺金\_网易政务\[2\]** 这篇新闻对应的发布时间如下图所示：

![6dd4557de7233b32b8de559da4f35231.png][]

现在我们用Requests获得它的源代码，然后再提取发布时间：

![500b5e9e43c5a4d2b242bee6dc391028.png][]

发布日期确实对了，但是后面的时间怎么丢失了呢？如果想把时分秒保留下来，可以增加一个参数`outputformat`，它的值就是你在`datetime.strftime`里面输入的值：

find\_date(html, outputformat='%Y-%m-%d %H:%M:%S')

运行效果如图所示：

![f63049514b3e2b90f3c33d0db991fafc.png][]

`find_date`的参数，除了网页源代码外，还可以传入URL，或者是lxml里面的Dom对象，

例如：

from lxml.html import fromstring

selector = fromstring(html)

date = find\_date(selector)

[https_www.kingname.info_2022_03_09_this-is-gnelist]: https://link.zhihu.com/?target=https%3A//www.kingname.info/2022/03/09/this-is-gnelist/
[7c325b691a285929d8f39fa3d001fc69.png]: https://img-blog.csdnimg.cn/img_convert/7c325b691a285929d8f39fa3d001fc69.png
[3f030e7d7c38f36f5d9555fca4b4e60d.png]: https://img-blog.csdnimg.cn/img_convert/3f030e7d7c38f36f5d9555fca4b4e60d.png
[6dd4557de7233b32b8de559da4f35231.png]: https://img-blog.csdnimg.cn/img_convert/6dd4557de7233b32b8de559da4f35231.png
[500b5e9e43c5a4d2b242bee6dc391028.png]: https://img-blog.csdnimg.cn/img_convert/500b5e9e43c5a4d2b242bee6dc391028.png
[f63049514b3e2b90f3c33d0db991fafc.png]: https://img-blog.csdnimg.cn/img_convert/f63049514b3e2b90f3c33d0db991fafc.png