一日一技：如何提取网页中的日期？

 

作者：kingname

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 htmldate1.

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)1.2.3.4.5.

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)1.

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)1.2.3.4.

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

来源： 未闻Code