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一定都深有体会：网站的 防抓取 机制。你要尽可能将自己伪装成“一个人”，骗过对方的服务器反爬验证。网站的 内容提取 。每个网站都需要你做不同的处理，而且网站一旦改版，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，今天咱们就来介绍一个小工具，在某些需求场景下，或许可以给你省不少事。GooseGoose 是一个 文章内容提取器 ，可以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可以直接获取正文内容，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。可以通过 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 goosegit clone https://github.com/grangier/python-goose.gitcd python-goosepip install -r requirements.txtpython setup.py install我找到一个 python 3 的版本 goose3 ：pip install goose3经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异。快速上手这里使用 goose3，而 python-goose 只要把其中的 goose3 改成 goose 即可，接口都是一样的。以我之前发过的一篇文章 如何用Python抓抖音上的小姐姐 为抓取目标来做个演示。from goose3 import Goosefrom 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，还可以获取一些额外的信息，比如：meta_description ：摘要meta_keywords ：关键词tags ：标签top_image ：主要图片infos ：包含所有信息的 dictraw_html ：原始 HTML 文本如有有些网站限制了程序抓取，也可以根据需要添加 user-agent 信息： g = Goose({‘browser_user_agent’: ‘Version/5.1.2 Safari/534.52.7’})如果是 goose3，因为使用了 requests 库作为请求模块，因此还可以以相似方式配置 headers、proxies 等属性。在上述示例中使用到的 StopWordsChinese 为中文分词器，可一定程度上提高中文文章的识别准确率，但更耗时。其他说明Goose 虽然方便，但并不能保证每个网站都能精确获取，因此 适合大规模文章的采集 ，如热点追踪、舆情分析等。它只能从概率上保证大多数网站可以相对准确地抓取。我经过一些尝试后发现，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 文件可以看出，goose 中使用到了 Pillow、lxml、cssselect、jieba、beautifulsoup、nltk ，goose3 还用到了 requests ，我们之前很多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升8倍 【编程课堂】jieba-中文分词利器如果你是使用基于 python2 的 goose，有可能会遇到 编码 上的问题（尤其是 windows 上）。这方面可以在公众号对话里回复关键词 编码 ，我们有过相关的讲解。除了 goose 外，还有其他的正文提取库可以尝试，比如 python-boilerpipe、python-readability 等。实例最后，我们来用 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 Goosefrom goose3.text import StopWordsChinesefrom bs4 import BeautifulSoupg = 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这段程序所做的事情就是：抓取网站首页从页面上提取地址中带有数字的链接（因为文章页基本带数字，这里为了演示简单以此判断）抓取这些链接，提取正文。如果结果超过 200 个字，就保存成文件效果：在此基础上，你可以继续改进这个程序，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、生成词云等后续操作。类似我们之前的分析案例 数据分析：当赵雷唱民谣时他唱些什么？。进一步完善，相信你能做出更有意思的项目。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════ 其他文章及回答： 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