google-news-scraper

google-news-scraper

Node.js包实现高效抓取Google新闻数据

google-news-scraper是一个轻量级Node.js包,用于抓取Google新闻文章数据。通过传入关键词或短语,可获取JSON格式的新闻文章数组。支持自定义搜索、时间范围筛选和文章内容获取,为新闻数据采集提供灵活高效的解决方案。该工具易于使用,适合需要快速获取新闻信息的开发项目。

Google News Scraper网页抓取新闻数据JSONPuppeteerGithub开源项目

📰 Google 新闻爬虫

一个轻量级的包,用于从 Google 新闻 抓取文章数据。只需传入一个关键词或短语,结果将以 JSON 对象数组的形式返回。

"给我买杯咖啡"

Google 新闻爬虫

安装 🔌

# 通过 NPM 安装 npm install google-news-scraper
# 通过 Yarn 安装 yarn add google-news-scraper

使用 🕹️

只需导入包并传入一个配置对象。

const googleNewsScraper = require('google-news-scraper'); const articles = await googleNewsScraper({ searchTerm: "奥斯卡" });

关于配置对象的完整文档可以在下面找到。

输出 📲

输出是一个 JSON 对象数组,每篇文章都遵循以下结构:

[ { "title": "文章标题", "link": "http://网站url.com/文章/路径", "image":"http://网站url.com/图片/路径.jpg", "source": "出版物名称", "datetime": 2024-05-13T08:02:22.000Z, "time": "发布时间/日期(人类可读格式)", "articleType": "字符串,可能是以下之一 ['regular' | 'topicFeatured' | 'topicSmall']" } ]

配置 ⚙️

传递给上述函数的配置对象具有以下属性:

searchTerm

这是你想要查找文章的搜索查询,只需像这样传递搜索字符串: searchTerm: "奥斯卡"

搜索词不再是必填字段,因为 hahagu#44 中添加了对主题页面的支持。如果同时提供了 searchTermbaseUrl,爬虫将只返回 Google 新闻主页 的结果。

baseUrl

baseUrl 属性允许你为搜索指定一个替代的基本 URL。当你想要抓取特定的 Google 新闻主题 时,这很有用。

请注意: 不建议同时使用指向主题的 baseUrlsearchTerm,因为 searchTerm 通常会被忽略,优先使用 baseUrl 中的主题。

在抓取的 URL 中,你的 baseUrl 后面会立即跟着查询参数(例如: ?hl=en-US&gl=US&ceid=US),所以你的 baseUrl 是否有结尾斜杠并不重要。

默认值为 https://news.google.com/search

prettyURLs

Google 新闻为每篇文章提供的 URL 是"丑陋"的链接(例如: "https://news.google.com/articles/CAIiEPgfWP_e7PfrSwLwvWeb5msqFwgEKg8IACoHCAowjuuKAzCWrzwwt4QY?hl=en-GB&gl=GB&ceid=GB%3Aen")。默认情况下,爬虫会获取实际的"美化"URL(例如: "https://www.nytimes.com/2020/01/22/movies/expanded-best-picture-oscar.html")。这是通过一些 base64 解码完成的,所以开销可以忽略不计。要阻止这种默认行为并获取"丑陋"链接,请在配置对象中传递 prettyURLs: false。 感谢 anthonyfranc 提供的 base64 解码修复 🙏

默认为 true

timeframe

结果可以筛选为在请求之前的指定时间范围内发布的文章。 时间范围的格式是由一个数字和一个表示时间运算符的字母组成的字符串。例如,1y 表示 1 年。以下是完整的运算符列表:

  • h = 小时(例如:12h
  • d = 天(例如:7d
  • m = 月(例如:6m
  • y = 年(例如:1y

此设置没有默认值,留空将返回 Google 在不指定时间范围时给出的默认结果。

getArticleContent

默认情况下,爬虫不会返回文章内容,因为这需要 Puppeteer 访问结果中的每篇单独文章(会显著增加执行时间)。如果你想启用这一行为并接收每篇文章的内容,只需在配置中传入 getArticleContent: true,。这将为输出中的每篇文章添加两个字段:contentfavicon

[ { "title": "文章标题", "link": "https://网站url.com/文章路径", "image": "https://网站url.com/图片路径.jpg", "source": "出版物名称", "time": "发布时间/日期(人类可读格式)", "content": "文章的完整文本内容...", "favicon": "https://网站url.com/favicon路径.png", } ]

请注意: 由于需要考虑大量变化因素,此功能在许多网站上会失败。所有错误都会被优雅地处理,并将返回空字符串作为内容。请确保在你的应用程序中处理这种情况。

默认为 false

queryVars

一个包含要添加到 Google News URL 字符串中的额外查询参数的对象,格式为键值对。这在你想搜索特定语言的文章时很有用,例如:

const articles = await googleNewsScraper({ searchTerm: "Últimas noticias en Madrid", queryVars: { hl:"es-ES", gl:"ES", ceid:"ES:es" }, });

默认为 null

puppeteerArgs

传递给浏览器实例的 Chromium 标志数组。默认情况下,这将是一个空数组。可用标志的完整列表可以在这里找到。注意:如果你在 Heroku 应用中启动这个,你需要传递 --no-sandbox--disable-setuid-sandbox 标志,如这个 SO 回答中所解释的。

默认为 []

puppeteerHeadlessMode

Puppeteer 是否应该在无头模式下运行。在无头模式下运行可以提高约 30% 的性能(感谢 ole-ve 发现这一点)。如果你不确定这个设置,保持原样即可。

默认为 true

性能 📈

我的测试查询返回了 94 个结果,包含文章内容时花费 4.5 秒,不包含文章内容时花费 3.6 秒。我使用的是光纤连接,其他查询可能返回不同数量的结果,所以你的实际体验可能有所不同。

维护 🧹

请注意,这是一个网络爬虫,依赖于 DOM 选择器,因此 Google News 网站上的任何根本性标记更改可能会导致这个工具失效。我会尽最大努力保持其更新,但 Google News 上的标记更改是无声的,因此很难跟踪。如果工具停止工作,欢迎提交问题。

错误 🐞

由于 Chromium 的大小,这个包太大,无法在 Vercel 免费层上运行。更多信息请参考这个问题

请通过问题追踪器报告错误。

贡献 🤝

如果你修复了一个开放的问题,欢迎提交 PR。谢谢你。

Python 版本 🐍

如果您正在寻找 Python 版本,可以在这里找到。请注意,Python 版本是一个分支,并且单独维护。如果您在使用 Python 版本时遇到任何问题,请在那个仓库而不是这里提出问题。

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多