文章內容提取庫 goose 簡介

爬蟲抓取數據有兩個頭疼的點，寫過爬蟲的小夥伴們必定都深有體會：

1. 網站的 防抓取 機制。你要儘量將本身假裝成「一我的」，騙過對方的服務器反爬驗證。
2. 網站的 內容提取 。每一個網站都須要你作不一樣的處理，並且網站一旦改版，你的代碼也得跟着更新。

第一點沒什麼捷徑可走，套路見得多了，也就有經驗了。關於第二點，今天我們就來介紹一個小工具，在某些需求場景下，或許能夠給你省很多事。

Goose

Goose 是一個 文章內容提取器 ，能夠從任意資訊文章類的網頁中提取 文章主體 ，並提取 標題、標籤、摘要、圖片、視頻 等信息，且 支持中文 網頁。它最初是由 http://Gravity.com 用 Java 編寫的。python-goose 是用 Python 重寫的版本。

有了這個庫，你從網上爬下來的網頁能夠直接獲取正文內容，無需再用 bs4 或正則表達式一個個去處理文本。

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

安裝

網上大多數教程提到的 python-goose 項目目前只支持到 python 2.7。能夠經過 pip 安裝：

pip install goose-extractor

或者安裝官網上的方法從源代碼安裝：

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

我找到一個 python 3 的版本 goose3 ：

pip install goose3

通過我一些簡單的測試，未發現兩個版本在結果上有太大的差別。

快速上手

這裏使用 goose3，而 python-goose 只要把其中的 goose3 改爲 goose 便可，接口都是同樣的。以我以前發過的一篇文章 如何用Python抓抖音上的小姐姐 爲抓取目標來作個演示。

from goose3 import Goose
from goose3.text import StopWordsChinese
# 初始化，設置中文分詞
g = Goose({'stopwords_class': StopWordsChinese})
# 文章地址
url = 'http://zhuanlan.zhihu.com/p/46396868'
# 獲取文章內容
article = g.extract(url=url)
# 標題
print('標題：', article.title)
# 顯示正文
print(article.cleaned_text)

輸出：

除了標題 title 和正文 cleaned_text 外，還能夠獲取一些額外的信息，好比：

• meta_description ：摘要
• meta_keywords ：關鍵詞
• tags ：標籤
• top_image ：主要圖片
• infos ：包含全部信息的 dict
• raw_html ：原始 HTML 文本

若有有些網站限制了程序抓取，也能夠根據須要添加 user-agent 信息：

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

若是是 goose3，由於使用了 requests 庫做爲請求模塊，所以還能夠以類似方式配置 headers、proxies 等屬性。

在上述示例中使用到的 StopWordsChinese 爲中文分詞器，可必定程度上提升中文文章的識別準確率，但更耗時。

其餘說明

Goose 雖然方便，但並不能保證每一個網站都能精確獲取，所以 適合大規模文章的採集 ，如熱點追蹤、輿情分析等。它只能從機率上保證大多數網站能夠相對準確地抓取。我通過一些嘗試後發現，抓取英文網站優於中文網站，主流網站優於小衆網站，文本的提取優於圖片的提取。

從項目中的 requirements.txt 文件能夠看出，goose 中使用到了 Pillow、lxml、cssselect、jieba、beautifulsoup、nltk ，goose3 還用到了 requests ，咱們以前不少文章和項目中都有所涉及：

這個男人讓你的爬蟲開發效率提高8倍
【編程課堂】jieba-中文分詞利器

若是你是使用基於 python2 的 goose，有可能會遇到 編碼 上的問題（尤爲是 windows 上）。這方面能夠在公衆號對話裏回覆關鍵詞 編碼 ，咱們有過相關的講解。

除了 goose 外，還有其餘的正文提取庫能夠嘗試，好比 python-boilerpipe、python-readability 等。

實例

最後，咱們來用 goose3 寫小一段代碼，自動抓取 愛範兒、雷鋒網、DoNews 上的新聞文章：

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

這段程序所作的事情就是：

1. 抓取網站首頁
2. 從頁面上提取地址中帶有數字的連接（由於文章頁基本帶數字，這裏爲了演示簡單以此判斷）
3. 抓取這些連接，提取正文。若是結果超過 200 個字，就保存成文件

效果：

在此基礎上，你能夠繼續改進這個程序，讓它不停地去尋找新的地址並抓取文章，並對獲取到的文章進行詞頻統計、生成詞雲等後續操做。相似咱們以前的分析案例 數據分析：當趙雷唱民謠時他唱些什麼？。進一步完善，相信你能作出更有意思的項目。

相關代碼已上傳，獲取地址請在公衆號（ Crossin的編程教室 ）裏回覆關鍵字 goose

════
其餘文章及回答：
如何自學Python | 新手引導 | 精選Python問答 | 如何debug？ | Python單詞表 | 知乎下載器 | 人工智能 | 嘻哈 | 爬蟲 | 我用Python | 高考 | requests | AI平臺

歡迎微信搜索及關注： Crossin的編程教室