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。
Gne[1]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')
运行效果如下图所示：
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)
参考文献[1] Gne: https://github.com/GeneralNewsExtractor/GeneralNewsExtractor
[2]
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:
https://www.163.com/news/article/H28Q6NQ1000189FH.html
©本文为清一色官方代发，观点仅代表作者本人，与清一色无关。清一色对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。本文不作为投资理财建议，请读者仅作参考，并请自行承担全部责任。文中部分文字/图片/视频/音频等来源于网络，如侵犯到著作权人的权利，请与我们联系（微信/QQ:1074760229）。转载请注明出处：清一色财经
微信扫码打赏 
支付宝扫码打赏 
