为什么报纸3k区分http://cnn.com和http://www.cnn.com？

问题描述

当我运行Python代码时

import newspaper
print(len(newspaper.build('http://cnn.com',memoize_articles=False).articles))
exit()

在Python 3中，我得到了输出897（即，报纸3k在域http://cnn.com上发现了897页被视为文章），但是当我运行时

import newspaper
print(len(newspaper.build('http://www.cnn.com',memoize_articles=False).articles))
exit()

（即，附加了www.；其他没有改变），我只得到895。当我在这两个URL之间来回切换时，这些数字是一致的。 www.实际上在URL中有意义吗？如果是这样，为什么在使用报纸3k库时文章计数与这两个URL如此相似？否则，为什么文章计数不完全相同？

解决方法

正如您在下面看到的，www'less资源中代表了两个变体形式的几个url：

• 与www
• 没有www

import newspaper

artcls = newspaper.build('https://cnn.com',memoize_articles=False).articles
urls = [a.url.replace('www.','') for a in artcls]

duplicated = set()

for u in urls:
    if urls.count(u) > 1:
        duplicated.add(u)
        
for d in duplicated:
    print(d)

结果：

https://cnn.com/business/media
https://cnn.com/travel/news
https://cnn.com/travel/article/hong-kong-cbd-cafe-found-wellness-intl-hnk/index.html
https://cnn.com/travel/article/rent-fire-lookout-towers-covid-19/index.html