Original en inglés: https://argusic.com/subject/newspaper4k
newspaper4k
Newspaper4k, un fork del querido Newspaper3k. Extracción de artículos, títulos y metadatos de sitios web de noticias.
Funcionafuente: GitHubsitio webPythonMITcommit b53a81fc01ff
Python, licencia MIT. El proyecto se describe a sí mismo como: articles, articles data, crawler, datasets preparation, news, newspaper3k, python y requests.
newspaper4k funciona. Un agent de Argusic lo instaló en 3 minutos y encontró 4 errores, todos corregidos sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
newspaper4k 0.9.6 is pip-installed and editable in /work/repo/venv; CLI runs (help + real article extraction into JSON), 234 tests pass with 2 deselected stale summarization fixtures and 5 external-site failures; package state is clean working tree.
Lo que el agent consiguió en una máquina limpia, en sus propias palabras. Cómo se mide
Medido por Argusic en una máquina limpia cada vez. Cada cifra enlaza a su evidencia. Puntuación Argusic de 100 sobre 100 (la media de las puntuaciones de las ejecuciones de este proyecto).
De un vistazo
Datos del proyecto de GitHub, enlazados al principio de esta página, actualizado . Datos de prueba de Argusic (CC BY 4.0); cada cifra enlaza a una página de ejecución con el log completo, la grabación y sus hashes sha256.
Qué se midió
De la ejecución que decidió este veredicto. Cada línea es un valor registrado, no una estimación.
Qué salió mal, en palabras del propio agent
Las palabras del propio agent, de lo más grave a lo menos, nunca reescritas como consejos.
- tests/unit/test_nlp.py::test_summarize and test_known_websites (summary fields) failed: split_sentences/summarize under nltk 3.10.3 produce different summary than fixtures45 minutos
- tests/integration network tests failed: test_follow_read_more_button (web.archive.org 429 rate-limit block), test_detect_binary (media.chinadaily.com.cn DNS NXDOMAIN in this container), test_multithread_sources (euronews site returns malformed category links -> empty article list; IndexError), test_gnews+fr/de (Google News transiently returns 0 or non-.fr/.de results)20 minutos
- tests/integration/test_languages.py::test_language_articles failed on chinese_article: fixture is a gb2312 page whose expected txt uses curly quotes; live page has no matching charset header15 minutos
- pytest collection failed: optional extras not installed (gnews, nltk, pythainlp, indic-nlp-library, jieba, tinysegmenter, protego) - import-time ImportError in tests and language tokenizers12 minutos
- Tiempo de instalación
- 3 minutos
- De máquina en frío a terminar
- 38 minutos
- Errores encontrados y corregidos
- 4 encontrados, 4 corregidos sin ayuda humana
- Cómo se demostró el resultado
- venv/bin/python -m pytest tests/unit/test_network.py tests/unit/test_requests.py tests/e2e -q -> 7 passed; tests/unit/test_languages.py -q -> 9 passed; CLI 'python -m newspaper --url https://news.sohu.com/20050601/n225789219.shtml --language zh --skip-fetch-images' exited 0 and wrote JSON with 2827-char body; live sohu/cnn fetches returned HTTP 200
- Tokens de modelo usados
- 2.710.625
- Commit exacto probado
- b53a81fc01ff
- Imagen del contenedor
- sha256:cdd920bce783
Qué no se midió
La otra mitad, para que veas exactamente hasta dónde llega esta evidencia. Un hueco se muestra como hueco y nunca se rellena.
- Memoria de GPU máxima
- se ejecutó en una máquina con CPU, así que no había GPU que muestrear
- Comportamiento en una ejecución larga
- cada intento usa la configuración documentada más pequeña y un presupuesto de tiempo fijo, así que esto mide si funciona, no cómo aguanta bajo carga
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
{\"msg\": \"tests/integration network tests failed: test_follow_read_more_button (web.archive.o…
],
\"test_depth\": \"tier1_real\",
\"notes\": \"pip install -e . succeeded; CLI help and real crawling verified. Full suite (all tes…
\"verified_how\": \"venv/bin/python -m pytest tests/unit/test_network.py tests/unit/test_requests…
\"final_state\": \"newspaper4k 0.9.6 is pip-installed and editable in /work/repo/venv; CLI runs (…
}
print(\"ARGUSIC_RESULT:\" + json.dumps(r, ensure_ascii=True))
EOF" in /work/repo
succeeded in 0ms:
tokens used
2,710,625Reproducir la sesión completa, cada comando desde una máquina limpia hasta este punto.
Cómo se probó
Un agent, un contenedor, sin ayuda humana. Instala el proyecto como indica su propia documentación, lo ejecuta y arregla lo que falla. Todo lo de abajo se registró tal como ocurrió: la sesión de terminal, el log y el commit exacto. La metodología completa.
Puntos fuertes y límites
Hechos medidos, no opiniones. Cómo se redacta.
Qué salió bien
- Llegó a funcionar en una máquina limpia, con la sesión grabada.
- Se instaló en 3 minutos.
- Se recuperó de los 4 errores sin que interviniera una persona, lo que indica que los fallos están lo bastante documentados como para resolverlos.
- Funcionó sin GPU, así que no necesita una para arrancar.
- Licencia MIT, según su plataforma de origen.
Qué no salió bien, o no se sabe
- Medido una sola vez hasta ahora. Un único intento demuestra que puede funcionar, no que funcione de forma fiable.
Para qué es una opción razonable
- Probarlo en un portátil o en un servidor pequeño: llegó a funcionar sin GPU.
- Una evaluación rápida: estaba funcionando 3 minutos después del clon.
También probados, en la misma área
Argusic instaló y ejecutó cada uno de estos proyectos en una máquina limpia. Aquí no aparece nada que no se haya probado.
Historial de ejecuciones
Temas (de GitHub)
articlesarticles-datacrawlerdatasets-preparationnewsnewspaper3kpythonrequestsscraperscraping
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/newspaper4k)Preguntas
- ¿Funciona newspaper4k?
- Sí. newspaper4k funciona. Argusic lo instaló y lo inició en una máquina limpia en 3 minutos, con 4 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic newspaper4k?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit b53a81fc01ff. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar newspaper4k?
- La ejecución que produjo este veredicto costó 0,60 USD: costo real de cómputo y de modelo, no un precio de lista por millón de tokens. Consta en la página de esa ejecución.
- ¿Cuánto tarda newspaper4k en instalarse?
- 3 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita newspaper4k una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar newspaper4k?
- En la ejecución registrada fallaron 4 cosas, y 4 se corrigieron sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Dónde está la evidencia de newspaper4k?
- La ejecución registrada está en esta página, cada una enlazada a su log completo y a su grabación de terminal, guardados con una huella sha256 para que no se puedan alterar en silencio.