News Crawler - 新闻爬虫
自动爬取新闻网站和RSS源，提取内容并生成摘要。
快速开始
1. 获取RSS新闻列表
查看可用的新闻源：
python3 scripts/rss_fetcher.py
获取指定RSS源的新闻：
python3 scripts/rss_fetcher.py <rss_url> [max_items]
示例：
python3 scripts/rss_fetcher.py https://www.solidot.org/index.rss 5
2. 爬取具体网页内容
python3 scripts/crawl.py <url> [max_length]
示例：
python3 scripts/crawl.py https://example.com/news/article.html 3000
工作流程
生成新闻日报
- 选择新闻源 - 从常用源中选择或用户提供RSS地址
- 获取新闻列表 - 使用 rss_fetcher.py 获取最新文章
- 爬取详细内容 - 对每篇文章使用 crawl.py 获取全文
- 生成摘要 - 使用 LLM 总结每篇文章的核心内容
- 整理报告 - 按类别或时间排序，生成结构化日报
支持的RSS源
常用中文科技新闻源：
- Solidot: https://www.solidot.org/index.rss
- TechWeb: https://www.techweb.com.cn/rss/all.xml
- 36氪: https://36kr.com/feed
国际源：
- Hacker News: https://news.ycombinator.com/rss
- TechCrunch: https://techcrunch.com/feed/
输出格式
rss_fetcher.py 输出：
{
"items": [
{
"title": "文章标题",
"link": "文章链接",
"description": "简介",
"published": "发布时间"
}
],
"count": 10
}
crawl.py 输出：
{
"url": "原始链接",
"title": "页面标题",
"content": "正文内容",
"length": 5000
}
注意事项
- 尊重robots.txt - 爬取前检查目标网站的爬虫协议
- 控制频率 - 避免频繁请求同一网站
- 内容长度 - 默认截取5000字符，可通过参数调整
- 编码问题 - 脚本已处理UTF-8编码，特殊网站可能需要额外处理
扩展开发
如需支持更多功能，可参考：
- references/rss_sources.md - 更多RSS源列表
- 添加定时任务支持（结合 cron）
- 添加飞书/邮件推送功能