📰 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。

Google 新闻爬虫

安装
使用
输出
配置
性能
维护
错误
贡献
Python 版本

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 在 #44 中添加了对主题页面的支持。如果同时提供了 searchTerm 和 baseUrl,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 baseUrl 和 searchTerm,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：content 和 favicon。

[
    {
        "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 和 --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。