文章内容提取库 goose 简介

爬虫抓取数据有两个头疼的点，写过爬虫的小伙伴们必定都深有体会：

1. 网站的 防抓取 机制。你要尽量将本身假装成“一我的”，骗过对方的服务器反爬验证。
2. 网站的 内容提取 。每一个网站都须要你作不一样的处理，并且网站一旦改版，你的代码也得跟着更新。

第一点没什么捷径可走，套路见得多了，也就有经验了。关于第二点，今天我们就来介绍一个小工具，在某些需求场景下，或许能够给你省很多事。

Goose

Goose 是一个 文章内容提取器 ，能够从任意资讯文章类的网页中提取 文章主体 ，并提取 标题、标签、摘要、图片、视频 等信息，且 支持中文 网页。它最初是由 http://Gravity.com 用 Java 编写的。python-goose 是用 Python 重写的版本。

有了这个库，你从网上爬下来的网页能够直接获取正文内容，无需再用 bs4 或正则表达式一个个去处理文本。

项目地址：
（py2） https://github.com/grangier/python-goose
（py3） https://github.com/goose3/goose3

安装

网上大多数教程提到的 python-goose 项目目前只支持到 python 2.7。能够经过 pip 安装：

pip install goose-extractor

或者安装官网上的方法从源代码安装：

mkvirtualenv --no-site-packages goose
git clone https://github.com/grangier/python-goose.git
cd python-goose
pip install -r requirements.txt
python setup.py install

我找到一个 python 3 的版本 goose3 ：

pip install goose3

通过我一些简单的测试，未发现两个版本在结果上有太大的差别。

快速上手

这里使用 goose3，而 python-goose 只要把其中的 goose3 改为 goose 便可，接口都是同样的。以我以前发过的一篇文章 如何用Python抓抖音上的小姐姐 为抓取目标来作个演示。

from goose3 import Goose
from goose3.text import StopWordsChinese
# 初始化，设置中文分词
g = Goose({'stopwords_class': StopWordsChinese})
# 文章地址
url = 'http://zhuanlan.zhihu.com/p/46396868'
# 获取文章内容
article = g.extract(url=url)
# 标题
print('标题：', article.title)
# 显示正文
print(article.cleaned_text)

输出：

除了标题 title 和正文 cleaned_text 外，还能够获取一些额外的信息，好比：

• meta_description ：摘要
• meta_keywords ：关键词
• tags ：标签
• top_image ：主要图片
• infos ：包含全部信息的 dict
• raw_html ：原始 HTML 文本

若有有些网站限制了程序抓取，也能够根据须要添加 user-agent 信息：

g = Goose({'browser_user_agent': 'Version/5.1.2 Safari/534.52.7'})

若是是 goose3，由于使用了 requests 库做为请求模块，所以还能够以类似方式配置 headers、proxies 等属性。

在上述示例中使用到的 StopWordsChinese 为中文分词器，可必定程度上提升中文文章的识别准确率，但更耗时。

其余说明

Goose 虽然方便，但并不能保证每一个网站都能精确获取，所以 适合大规模文章的采集 ，如热点追踪、舆情分析等。它只能从几率上保证大多数网站能够相对准确地抓取。我通过一些尝试后发现，抓取英文网站优于中文网站，主流网站优于小众网站，文本的提取优于图片的提取。

从项目中的 requirements.txt 文件能够看出，goose 中使用到了 Pillow、lxml、cssselect、jieba、beautifulsoup、nltk ，goose3 还用到了 requests ，咱们以前不少文章和项目中都有所涉及：

这个男人让你的爬虫开发效率提高8倍
【编程课堂】jieba-中文分词利器

若是你是使用基于 python2 的 goose，有可能会遇到 编码 上的问题（尤为是 windows 上）。这方面能够在公众号对话里回复关键词 编码 ，咱们有过相关的讲解。

除了 goose 外，还有其余的正文提取库能够尝试，好比 python-boilerpipe、python-readability 等。

实例

最后，咱们来用 goose3 写小一段代码，自动抓取 爱范儿、雷锋网、DoNews 上的新闻文章：

from goose3 import Goose
from goose3.text import StopWordsChinese
from bs4 import BeautifulSoup

g = Goose({'stopwords_class': StopWordsChinese})
urls = [
    'https://www.ifanr.com/',
    'https://www.leiphone.com/',
    'http://www.donews.com/'
]
url_articles = []
for url in urls:
    page = g.extract(url=url)
    soup = BeautifulSoup(page.raw_html, 'lxml')
    links = soup.find_all('a')
    for l in links:
        link = l.get('href')
        if link and link.startswith('http') and any(c.isdigit() for c in link if c) and link not in url_articles:
            url_articles.append(link)
            print(link)

for url in url_articles:
    try:
        article = g.extract(url=url)
        content = article.cleaned_text
        if len(content) > 200:
            title = article.title
            print(title)
            with open('homework/goose/' + title + '.txt', 'w') as f:
                f.write(content)
    except:
        pass

这段程序所作的事情就是：

1. 抓取网站首页
2. 从页面上提取地址中带有数字的连接（由于文章页基本带数字，这里为了演示简单以此判断）
3. 抓取这些连接，提取正文。若是结果超过 200 个字，就保存成文件

效果：

在此基础上，你能够继续改进这个程序，让它不停地去寻找新的地址并抓取文章，并对获取到的文章进行词频统计、生成词云等后续操做。相似咱们以前的分析案例 数据分析：当赵雷唱民谣时他唱些什么？。进一步完善，相信你能作出更有意思的项目。

相关代码已上传，获取地址请在公众号（ Crossin的编程教室 ）里回复关键字 goose

════
其余文章及回答：
如何自学Python | 新手引导 | 精选Python问答 | 如何debug？ | Python单词表 | 知乎下载器 | 人工智能 | 嘻哈 | 爬虫 | 我用Python | 高考 | requests | AI平台

欢迎微信搜索及关注： Crossin的编程教室