要按来源类别对谷歌新闻进行分类，可以使用机器学习和自然语言处理的技术。

以下是一个示例解决方法，涉及到数据采集、特征提取、模型训练和预测等步骤。

1. 数据采集：

   • 使用谷歌新闻的API或者第三方库（如BeautifulSoup）来获取新闻内容和来源信息。
   • 根据需要的分类标签，选择一些来源类别（如体育、科技、财经等）的新闻进行采集。

2. 特征提取：

   • 对新闻内容进行文本预处理，包括分词、去除停用词、词干化等。
   • 使用词袋模型（Bag-of-Words）或者词向量模型（如Word2Vec或GloVe）将文本转换为数值特征表示。

3. 模型训练：

   • 根据已标注的训练数据，使用机器学习算法（如朴素贝叶斯、支持向量机、随机森林等）来训练分类模型。
   • 将特征表示和对应的分类标签输入到模型中进行训练。

4. 新闻分类预测：

   • 对新的未知新闻进行与训练数据相同的特征提取处理。
   • 将提取的特征输入训练好的分类模型中进行预测。
   • 根据模型预测的结果，将新闻分到相应的类别中。

以下是一个Python示例代码，使用朴素贝叶斯分类器对谷歌新闻进行分类：

import numpy as np
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB

# 假设已经准备好了训练数据和标签
train_data = ['体育 新闻内容1', '科技 新闻内容2', '财经 新闻内容3']
train_labels = ['体育', '科技', '财经']

# 特征提取
vectorizer = CountVectorizer()
X_train = vectorizer.fit_transform(train_data)

# 模型训练
classifier = MultinomialNB()
classifier.fit(X_train, train_labels)

# 预测新闻分类
test_data = ['新闻内容4']
X_test = vectorizer.transform(test_data)
predicted_labels = classifier.predict(X_test)
print(predicted_labels)

需要注意的是，以上示例仅为演示分类过程的基本框架，实际应用中可能需要更复杂的特征提取和模型选择，以提高分类的准确性和效果。