News Hot Scraper#

Overview#

自动爬取国内热点新闻信息,支持多种平台(微博、知乎、B站、抖音、今日头条、腾讯新闻、澎湃新闻),能够生成新闻摘要并注明出处。提供 API 和直接爬取两种数据获取方式,以及提取式和生成式两种摘要生成方案。

核心功能#

1. 新闻数据获取#

根据用户输入的主题或关键词,从支持的平台获取热点新闻数据。支持两种方式:

• API 方式: 使用免费的热榜聚合 API(如 uapis.cn)快速获取多平台热点数据
• 直接爬取: 使用 requests + BeautifulSoup 等技术直接从新闻网站爬取数据

2. 新闻摘要生成#

对获取的新闻内容进行智能摘要,支持两种技术方案:

• 提取式摘要: 基于关键词和句子重要性提取关键句,快速简洁
• 生成式摘要: 使用 HuggingFace 的中文摘要模型(如 google/mt5-small-chinese),生成更自然的摘要

3. 出处标注#

为每条新闻清晰标注:

• 标题
• 来源平台
• 发布时间
• 原文链接
• 摘要内容

使用场景#

当用户需要:

• "帮我搜集关于[主题]的国内热点新闻"
• "爬取微博热搜、知乎热榜的今日热点"
• "获取科技领域的最新新闻并生成摘要"
• "监控特定主题的新闻动态"
• "整理多个平台的热点话题"

工作流程#

步骤 1: 确定数据源和获取方式#

根据用户需求和实际情况选择:

• 快速获取: 优先使用 API 方式(如全网热榜聚合 API)
• 详细内容: 使用直接爬取方式获取更多内容

参考 references/platforms.md 了解各平台的爬取策略和注意事项。

步骤 2: 执行数据获取#

使用 scripts/news_scraper.py 脚本进行数据爬取:

bash

# 使用 API 方式获取多平台热点
python scripts/news_scraper.py --mode api --platforms weibo,zhihu --limit 20

# 直接爬取特定平台
python scripts/news_scraper.py --mode scrape --platform weibo --limit 10

# 根据主题爬取新闻
python scripts/news_scraper.py --mode scrape --keyword "人工智能" --platforms weibo,zhihu --limit 15

步骤 3: 生成新闻摘要#

使用 scripts/news_summarizer.py 脚本生成摘要:

bash

# 提取式摘要(快速)
python scripts/news_summarizer.py --method extractive --input news_data.json --output summary.json

# 生成式摘要(质量更好)
python scripts/news_summarizer.py --method abstractive --input news_data.json --output summary.json

参考 references/summarization_methods.md 了解不同摘要方法的原理和适用场景。

步骤 4: 整理和输出#

将结果整理成结构化的格式(JSON/Markdown),包含:

• 新闻标题
• 来源平台
• 发布时间
• 摘要内容
• 原文链接
• 热度/排名(如适用)

技术栈#

爬虫技术#

• requests: HTTP 请求
• BeautifulSoup4: HTML 解析
• newspaper3k: 新闻内容提取(可选)
• API 接口: 全网热榜聚合 API(uapis.cn 等)

摘要生成#

• 提取式: jieba(分词)、textrank(句子重要性排序)
• 生成式: transformers + HuggingFace 模型( google/mt5-small-chinese)

数据处理#

• JSON: 数据存储和交换
• Markdown: 报告输出

注意事项#

合规性#

• 遵守网站的 robots.txt 规则
• 控制请求频率,避免对目标网站造成压力
• 尊重数据的使用条款和版权

反爬虫处理#

• 使用合理的请求头(User-Agent)
• 添加适当的延时(建议 1-3 秒)
• 考虑使用代理 IP(如需要大量爬取)

数据质量#

• 验证新闻来源的可靠性
• 过滤重复或低质量内容
• 记录数据获取的时间戳

资源#

scripts/#

• news_scraper.py: 新闻数据爬取脚本,支持 API 和直接爬取两种方式
• news_summarizer.py: 新闻摘要生成脚本,支持提取式和生成式两种方法

references/#

• platforms.md: 各平台(微博、知乎、B站等)的爬取策略、API 文档和注意事项
• summarization_methods.md: 摘要生成方法的详细介绍,包括技术原理和实现代码示例

assets/#

• (暂无,可根据需要添加模板或示例数据)

常见问题#

Q: 优先使用 API 还是直接爬取?#

A: 对于快速获取多平台热点,优先使用 API(如全网热榜聚合 API),它们通常已经处理了反爬虫问题。如果需要更详细的内容或特定平台的数据,再使用直接爬取。

Q: 提取式摘要和生成式摘要哪个更好?#

A: 提取式摘要速度快,但可能不够连贯;生成式摘要质量更高,但需要更长时间。根据使用场景选择:

• 实时监控/快速浏览: 提取式
• 深度分析/报告生成: 生成式

Q: 如何处理反爬虫限制?#

A: 参考 references/platforms.md 中的反爬虫处理建议,包括:

• 使用合理的请求头和延时
• 考虑使用代理 IP
• 遵守 robots.txt 规则
• 优先使用官方 API(如果可用)

扩展建议#

未来可以考虑添加:

• 定时任务功能,定期自动爬取热点
• 数据可视化(词云、趋势图)
• 多语言支持
• 情感分析
• 主题聚类分析

依赖安装#

基础依赖(必须安装)#

bash

pip install requests beautifulsoup4

提取式摘要依赖(推荐)#

bash

pip install jieba

生成式摘要依赖(可选)#

bash

pip install transformers torch

注意: ClawHub 不会自动安装依赖,用户需要根据上述说明手动安装所需的 Python 包。