一日一技：如何提取网页中的日期？（如何提取网页中的表格）

作者：kingnameGne[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 ( \9 }$ I3 ?" k6 { from htmldate

import find_date9 H2 J' L2 }! p- x$ l8 z html = requests.get(https://www.kingname.info/2022/03/09/this-is-gnelist/).content.decode(utf-8)

+ ~5 d% J s. Z/ ]9 ~$ y' T* y3 m date = find_date(html)8 K& i& ]4 Z( P" Q; s: Z! p 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：fromlxml.html import fromstringselector = 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