为什么新闻纸3K要区分http://cnn.com 和http://www.cnn.com?

Question

当我运行Python代码时

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

在Python3中，我得到了897的输出（即newspaper3k在域http://cnn.com上找到了897个被认为是文章的页面），但是当我运行

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

（也就是说，再加上一个www.；没有其他变化）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。在URL中www.实际上有意义吗？如果是这样，为什么在使用newspaper3k库时，这两个URL的文章数量变得如此相似？否则，为什么物品数量不完全相同

Answer 1

正如您在下面看到的，www'less资源中的几个url有两种变体：

• 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