Original em inglês: https://argusic.com/subject/newspaper4k
newspaper4k
Newspaper4k, um fork do querido Newspaper3k. Extração de artigos, títulos e metadados de sites de notícias.
Executafonte: GitHubpágina do projetoPythonMITcommit b53a81fc01ff
Python, licença MIT. O projeto se descreve como: articles, articles data, crawler, datasets preparation, news, newspaper3k, python e requests.
newspaper4k executa. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 3 minutos e encontrou 4 erros, corrigindo todos sem ajuda, e a sessão inteira foi gravada.
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.
O que o agent conseguiu em uma máquina limpa, nas palavras dele. Como isto é medido
Medido pela Argusic em uma máquina nova, todas as vezes. Cada número tem link para as suas evidências. Pontuação Argusic 100 de 100 (a média das pontuações das execuções deste projeto).
Visão geral
Dados do projeto de GitHub, com link no topo desta página, atualizado em . Dados de teste da Argusic (CC BY 4.0); cada número tem link para uma página de execução com o log completo, a gravação e os hashes sha256 deles.
O que foi medido
Da execução que decidiu este veredito. Cada linha é um valor registrado, não uma estimativa.
O que deu errado, nas palavras do agent
As palavras do próprio agent, das piores para as menores, nunca reescritas como conselho.
- 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
- Tempo de instalação
- 3 minutos
- Da máquina limpa até o fim
- 38 minutos
- Erros encontrados e corrigidos
- 4 encontrados, 4 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- 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 exato testado
- b53a81fc01ff
- Imagem do container
- sha256:cdd920bce783
O que não foi medido
A outra metade, para você ver exatamente até onde estas evidências vão. Uma lacuna é mostrada como lacuna e nunca é preenchida.
- Pico de memória da GPU
- esta execução foi em uma máquina com CPU, então não havia GPU para medir
- Comportamento em uma execução longa
- cada tentativa usa as menores configurações documentadas e um orçamento de tempo fixo, então isto mede se ele executa, não como ele se comporta sob carga
O fim da gravação
As últimas linhas da sessão de terminal que decidiu este veredito, exatamente como foram gravadas.
{\"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
2,710,625Reproduzir a sessão inteira, cada comando desde a máquina limpa até este ponto.
Como foi testado
Um agent, um container, nenhuma ajuda humana. Ele instala o projeto do jeito que a própria documentação do projeto manda, executa o projeto e corrige o que quebra. Tudo abaixo é registrado como aconteceu: a sessão de terminal, o log e o commit exato. A metodologia completa.
Pontos fortes e limites
Fatos medidos, não opiniões. Como este conteúdo é escrito.
O que deu certo
- Chegou a um estado de execução em uma máquina limpa, com a sessão gravada.
- Instalado em 3 minutos.
- Recuperou-se de todos os 4 erros sem que uma pessoa interviesse, o que indica que as falhas estão documentadas o suficiente para serem resolvidas.
- Executou sem GPU, então não precisa de uma para iniciar.
- Licença MIT, segundo a plataforma onde o projeto está hospedado.
O que não deu certo, ou não se sabe
- Medido uma vez até agora. Uma única tentativa mostra que ele pode executar, não que executa de forma confiável.
Para que é uma escolha razoável
- Testar em um laptop ou em um servidor pequeno: ele chegou a um estado de execução sem GPU.
- Uma avaliação rápida: ele estava executando 3 minutos depois do clone.
Também testados, na mesma área
Cada um destes foi instalado e executado pela Argusic em uma máquina limpa. Nada aparece aqui sem ter sido testado.
Histórico de execuções
Tópicos (de GitHub)
articlesarticles-datacrawlerdatasets-preparationnewsnewspaper3kpythonrequestsscraperscraping
Incorporar o selo
Markdown para o README do projeto. Ele tem link de volta para esta página; os termos estão na página de termos.
[](https://argusic.com/subject/newspaper4k)Perguntas
- newspaper4k executa?
- Sim. newspaper4k executa. A Argusic o instalou e iniciou em uma máquina limpa em 3 minutos, encontrando 4 erros no caminho, e gravou a sessão.
- Como a Argusic testou newspaper4k?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit b53a81fc01ff. Há uma tentativa registrada, e a metodologia completa está na página da metodologia.
- Quanto custou testar newspaper4k?
- A execução que produziu este veredito custou US$ 0,60: custo real de computação e de modelo, não um preço de tabela por milhão de tokens. Esse valor está registrado na página da execução.
- Quanto tempo leva para instalar newspaper4k?
- 3 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- newspaper4k precisa de GPU?
- Não para iniciar. A Argusic chegou a um estado de execução em uma máquina sem GPU.
- O que dá errado ao instalar newspaper4k?
- 4 coisas quebraram na execução registrada, e 4 foram corrigidas sem ajuda humana. Cada uma, com o tempo que custou, está listada nesta página.
- Onde estão as evidências de newspaper4k?
- A execução registrada está nesta página, cada uma com link para o seu log completo e a sua gravação do terminal, guardados com uma impressão digital sha256 para que não possam ser alterados discretamente.