如何提取网页中的日期?

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/').content.decode('utf-8')

date = find_date(html)

print(date)

运行效果如下图所示:

而这篇文章的发布时间,确实是3月9号

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:

现在我们用Requests获得它的源代码,然后再提取发布时间:

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:

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)

猜你喜欢

转载自blog.csdn.net/Blue92120/article/details/125421444
今日推荐