- GitHub 仓库
- codelucas/newspaper
- 总 Stars
- ★ 15,180
- 主要语言
- Python
一句话
newspaper3k 是 Python 的新闻与文章元数据抽取库：给一个网址，返回正文、标题、作者、发布时间，不用自己写解析规则。GitHub 总 star 1.5 万（2026-10-27 核验，Python、MIT 协议，最近提交 2026-10-26）。编辑精选，非当日榜单。
是什么
做舆情、做内容聚合时最烦的环节就是“从网页里抠正文”：广告、导航、推荐位全混在一起。newspaper3k 专门干这个：自动识别正文区，顺带抽作者、摘要、关键词。
能干嘛
- 批量抽新闻正文做分析与归档
- 做内容聚合、舆情监测的前置抽取层
- 配合爬虫框架，把“抓页面”与“抽正文”分开
适合谁
- 做新闻数据分析的研究者与开发者
- 搭内容聚合、舆情工具的人
- 不想为每个站点手写解析规则的人
注意点
抽取效果因站点而异：结构规整的新闻站效果好，反爬严、结构怪的站要人工兜底。注意它抽的是公开文章正文，版权与 robots 约束要自己遵守，别拿它批量搬运他人文章。
问：newspaper3k 和 readability 有什么区别？
readability（本站已发）是“抽正文”这一个动作，newspaper3k 是“下载 + 抽正文 + 抽元数据”一整套。只做浏览器阅读模式，readability 够了；做批量文章处理，newspaper3k 更顺。
站长点评
我选它是因为“抽正文”是个被低估的脏活：看着简单，真自己写解析规则才知道多磨人。先拿它跑通 20 篇目标站点的样本，准确率达标再扩大规模。
项目地址：https://github.com/codelucas/newspaper
⬇ 下载区（本站中转）
本站服务器实时中转 GitHub 文件，国内网络也可稳定下载；也可使用右侧官方链接。 本项目遵循 MIT 许可证。
要下载其他 GitHub 项目？试试本站的 GitHub 加速下载工具，粘贴链接即可中转。