Question

为了使用新闻故事来创建个人电子邮件，我们将再次使用IFTTT。如我们在第3章——构建应用程序，发现低价的机票——所做，我们将使用Maker频道发送POST请求。不过，这一次的有效载荷将是我们的新闻故事。如果你尚未设置Maker频道，请先完成这一步。具体的操作指令可以在第3章中找到。你还应设置Gmail频道。一旦完成后，我们将添加一个Recipe来组合这两个。

首先，在IFTTT主页单击Create Recipe。然后，搜索Maker Channel，如图5-35所示。

图5-35

选择this，然后选择Receive a web request，如图5-36所示。

图5-36

然后，为该请求提供一个名称。我在这里使用news_event，如图5-37所示。

图5-37　

最后，单击Create Trigger来完成所有步骤。接下来，单击that来设置电子邮件。搜索Gmail并单击图5-38所示的图标。

图5-38

选择Gmail后，单击Send an e-mail，如图5-39所示。在这里，你可以定制化自己的电子邮件消息。

图5-39　

输入你的电子邮件地址，主题，最后在电子邮件的正文中包括Value1。我们将通过POST请求传递故事标题和链接。单击Create Recipe最终完成这项操作。

现在，我们已经准备就绪，可以生成一个按计划运行的脚本，自动发送我们感兴趣的文章。我们将为此创建一个单独的脚本，不过对于现有的代码，还需要序列化向量转化器和模型。

import pickle 
pickle.dump(model, open 
(r'/Users/alexcombs/Downloads/news_model_pickle.p', 'wb'))
pickle.dump(vect, open 
(r'/Users/alexcombs/Downloads/news_vect_pickle.p', 'wb'))

通过这些代码，我们已经保存了所需的模型。在新的脚本中，我们将读取这些模型来生成新的预测。我们将使用相同的计划库运行第3章的代码。整合所有这些，我们将获得如下的脚本。

# 进行包的导入
import pandas as pd 

from sklearn.feature_extraction.text import TfidfVectorizer 
from sklearn.svm import LinearSVC 

import schedule 
import time 

import pickle 

import json 

import gspread 

import requests 
from bs4 import BeautifulSoup 

from oauth2client.client import SignedJwtAssertionCredentials 



# 创建我们的抓取函数 
def fetch_news(): 
     try: 
          vect = pickle.load(open(r'/Users/alexcombs/Downloads/ 
          news_vect_pickle.p', 'rb')) 
          model = pickle.load(open(r'/Users/alexcombs/Downloads/ 
          news_model_pickle.p', 'rb')) 

          json_key = json.load(open(r'/Users/alexcombs/Downloads/
          APIKEY.json')) 
          scope = ['https://spreadsheets.google.com/feeds'] 
          credentials = SignedJwtAssertionCredentials(json_key 
          ['client_email'], json_key['private_key'].encode(), scope) 
          gc = gspread.authorize(credentials) 

          ws = gc.open("NewStories") 
          sh = ws.sheet1 
          zd = list(zip(sh.col_values(2), sh.col_values(3), 
          sh.col_values(4))) 
          zf = pd.DataFrame(zd, columns=['title', 'urls', 'html']) 
          zf.replace('', pd.np.nan, inplace=True) 
          zf.dropna(inplace=True) 

          def get_text(x): 
               soup = BeautifulSoup(x, 'lxml') 
               text = soup.get_text() 
               return text 

          zf.loc[:, 'text'] = zf['html'].map(get_text) 

          tv = vect.transform(zf['text']) 
          res = model.predict(tv) 

          rf = pd.DataFrame(res, columns=['wanted']) 
          rez = pd.merge(rf, zf, left_index=True, right_index=True) 

          news_str = '' 
          for t, u in zip(rez[rez['wanted'] == 'y']['title'], 
          rez[rez['wanted'] == 'y']['urls']): 
               news_str = news_str + t + '\n' + u + '\n' 

          payload = {"value1": news_str} 
          r = requests.post('https://maker.ifttt.com/trigger/ 
          news_event/with/ key/IFTTT_KEY', data=payload) 

          # 清理工作表 
          lenv = len(sh.col_values(1)) 
          cell_list = sh.range('A1:F' + str(lenv)) 
          for cell in cell_list: 
               cell.value = "" 
          sh.update_cells(cell_list) 
          print(r.text) 
     except: 
          print('Failed') 

schedule.every(480).minutes.do(fetch_news) 
while 1: 
     schedule.run_pending() 
     time.sleep(1)

这个脚本所做的事情是，每4小时运行一次，从Google表单下载新闻故事，通过模型对这些故事进行预测，再向IFTTT发送POST请求来生成电子邮件，该邮件包含了模型预测我们会感兴趣的故事，然后在最终，它会清除电子表格中的故事，以便下一封电子邮件只会发送新的故事。

恭喜！你现在拥有自己的个性化新闻源了！