Gne[1]雖然在提取新聞?wù)牡臅r(shí)候，準(zhǔn)確率比較高，但由于提取新聞發(fā)布時(shí)間使用的是正則表達(dá)式，因此提取效果有時(shí)候不那么讓人滿意。

最近我發(fā)現(xiàn)Python的一個(gè)第三方庫(kù)，叫做htmldate，經(jīng)過測(cè)試，它提取新聞的發(fā)布時(shí)間比較準(zhǔn)確。我們來看看這個(gè)庫(kù)怎么使用。首先使用pip安裝：

python3 -m pip install htmldate

然后，我們使用Requests或者Selenium獲得網(wǎng)站的源代碼：

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)

運(yùn)行效果如下圖所示：

而這篇文章的發(fā)布時(shí)間，確實(shí)是3月9號(hào)：

我們?cè)儆镁W(wǎng)易新聞來看一下，相互激勵(lì) 增進(jìn)友誼(精彩綻放) |殘奧|中國(guó)代表團(tuán)|單板滑雪|奪金_網(wǎng)易政務(wù)[2] 這篇新聞對(duì)應(yīng)的發(fā)布時(shí)間如下圖所示：

現(xiàn)在我們用Requests獲得它的源代碼，然后再提取發(fā)布時(shí)間：

發(fā)布日期確實(shí)對(duì)了，但是后面的時(shí)間怎么丟失了呢?如果想把時(shí)分秒保留下來，可以增加一個(gè)參數(shù)outputformat，它的值就是你在datetime.strftime里面輸入的值：

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

運(yùn)行效果如下圖所示：

find_date的參數(shù)，除了網(wǎng)頁(yè)源代碼外，還可以傳入U(xiǎn)RL，或者是lxml里面的Dom對(duì)象，例如：

from lxml.html import fromstring

selector = fromstring(html)
date = find_date(selector)

參考文獻(xiàn)[1] Gne: https://github.com/GeneralNewsExtractor/GeneralNewsExtractor

[2] 相互激勵(lì) 增進(jìn)友誼(精彩綻放) |殘奧|中國(guó)代表團(tuán)|單板滑雪|奪金_網(wǎng)易政務(wù): https://www.163.com/news/article/H28Q6NQ1000189FH.html