百度新闻详情这个接口，我踩过的坑属于“看起来跑通了，其实拿回来的全是废数据”那种。第一次对接，搜索接口返回了一堆结果，每条都带着标题、来源、发布时间，还有个 url 字段，我高高兴兴把这串 URL 存进数据库，第二天回头去抓正文，发现存下来的链接点开全是百度的跳转页，不是新闻原文。三百多条数据，正文一条都没抓到。那次之后我才明白，百度新闻这条链路上，链接本身就是一个需要处理的对象，不是拿来就能用的结果。
第一个坑：你拿到的链接，不是新闻的链接
百度新闻搜索返回的 url，绝大多数是 https://www.baidu.com/link?url=... 这种形式，后面跟一串加密参数。它是个跳转入口，你直接请求它，返回的是302重定向，真正的新闻地址藏在 Location 响应头里，有时候还要跟着跳两三次才能落到目标页。如果你的采集程序不处理重定向，或者只存了第一层URL就以为完事了，后面拿正文的时候自然是空的。
这里有一个地方需要说明一下。有些百度新闻结果还带一个 snapshot 快照链接，指向百度自己缓存的页面副本。快照的好处是稳定，目标站改版或者删稿了它还在；坏处是它可能比原文晚，而且快照页面的HTML结构跟原站不是一回事。想拿最新内容，跟重定向走；想做长期存档，快照是备选。两条路得分开处理，混着用会把自己绕晕。
还有一种情况更隐蔽：部分新闻源做了防抓处理，跳转过去返回的是一个中间页，正文用JavaScript动态加载。你以为拿到HTML就有正文了，解析出来全是空标签。
正文提取，难在“每个新闻源长得都不一样”
百度新闻本身不生产内容，它聚合的是各家媒体的稿子。人民日报、澎湃、界面、地方都市报，页面结构天差地别。你写一套正文提取规则，能适配三五个站就不错了，换一个源就得重新调。
我最早用的是“找最大的那段文本块”这种通用启发式，短稿还行，长稿经常把评论区、相关推荐、免责声明一起卷进来。后来改成按常见的正文容器class去匹配，比如 article-content、post-body 这类命名，命中率高一些，但依然有大量站点不按套路出牌。真正稳的做法是每个新闻源维护一套提取模板，新源进来先人工看一眼结构，把正文容器、发布时间、作者这几个选择器配上。这件事没有一劳永逸的解法，只能靠模板库慢慢攒。
字段口径：发布时间和来源，比正文更容易出错
正文抓下来了，字段对不上的问题才开始暴露。
发布时间是最容易踩的。百度新闻列表页给的时间经常是“3小时前”“昨天”这种相对表述，详情页的时间格式又因源而异，有的是 2026-11-13 10:23，有的是 2026年11月13日，还有的只给日期不给时分。更麻烦的是时区，部分源用的是UTC，你不做转换直接入库，排序就全乱了。我的习惯是统一转成带时区的时间戳再存，展示层再格式化成给人看的样子。
来源字段看着简单，其实有歧义。百度新闻返回的 source 有时候是媒体名，有时候是栏目名，还有时候是“综合”这种聚合标识。你要按媒体做统计，得先做一层清洗，把“澎湃新闻”和“澎湃”这种同义不同写法的归到一起。
正文里的图片和广告也得单独处理。新闻详情页的配图，src 经常是懒加载的占位符，真实地址在 data-src 里。正文中间插的“相关阅读”“广告位”，不剔掉的话，你做全文检索或者摘要提取的时候会被污染。
批量采集，别在验证码上把耐心耗干
单篇跑通之后，真正的考验是量。百度对高频请求的容忍度不高，请求密一点就开始弹验证码，或者直接返回一个空页面。你得控频率、换IP、维护Cookie，一套组合拳下来，采集程序的复杂度远超“调个接口拿数据”的预期。
而且百度新闻的页面结构不是静止的。它自己的搜索结果页会改版，目标媒体的页面也会改版，你上周调好的模板，这周可能就失效了。自己维护这条链路，本质上是在做一个持续对抗的工作，技术投入是个无底洞。
极致了数据在新闻资讯这类内容的采集上有覆盖，百度新闻的标题、正文、来源、发布时间、配图这些字段能结构化输出，跳转链接的解析和正文提取在他们那边已经处理掉了，你拿回来的是干净的数据，不是一堆需要二次加工的HTML。批量提交关键词或者指定新闻源，多并发拉取，返回JSON，配个定时任务就能持续跑。
接入方式按手里的牌选。有技术团队直接对接API，注册拿密钥，传关键词或链接，联调一两天能跑通；不想写代码的用飞书「多平台数据采集助手」插件，配置关键词和采集频率，数据自动写进多维表格，定时更新也能设；完全不想碰技术的，联系客服定制，告诉对方要采哪些源、什么频率、什么字段，直接交付数据表。
合规这条线得单独说。新闻正文是有著作权的，采集来做内部分析、舆情监测、选题参考，属于合理使用的范畴；整篇转载、二次分发、商业再利用，那是另一回事，得看源站的授权。公开可访问的新闻页面可以采，但别把采集结果当成自己的内容池往外发，这个边界要清楚。
总结
百度新闻详情API这件事，第一课不是“怎么解析正文”，是“你拿到的链接根本不是新闻链接”。跳转链接要跟重定向走，快照是另一条路，别混着用。正文提取靠模板库，通用启发式只能救急不能当主力。发布时间统一转时间戳，来源做清洗，图片看 data-src，这几个字段的口径对齐了，数据才能用。批量场景下自己维护反爬和模板的成本很高，极致了数据这边新闻采集的字段结构化输出，API、飞书插件、客服定制三条路按团队情况挑。最后记住新闻有版权，内部用可以，往外发要先想清楚授权。
