Crossin的编程教室

标题: 文章内容提取库 goose 简介 [打印本页]

作者: 江水滔滔 时间: 2018-10-13 13:43
标题: 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。
Goose
Goose 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

复制代码

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

复制代码

我找到一个 python 3 的版本 goose3：

pip install goose3

复制代码

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 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)

复制代码

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'})

复制代码

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
1.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。

2.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

3.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。

4.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 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

复制代码

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：

欢迎光临 Crossin的编程教室 (https://bbs.crossincode.com/)