python爬虫:正文提取第三方库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。

正文提取库goose，效果不是太好，要求不高的话可以试试用

python2 github：https://github.com/grangier/python-goose

python3 github：https://github.com/goose3/goose3

pypi：https://pypi.org/project/goose3/3.0.6/

安装

• py2

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：

git clone https://github.com/grangier/python-goose.git
cd python-goose
pip install -r requirements.txt
python setup.py install

• py3

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。

# -*- coding: utf-8 -*-
from goose import Goose
from goose.text import StopWordsChinese


# 初始化，设置中文分词
g = Goose({'stopwords_class': StopWordsChinese})
url = "http://www.xinhuanet.com/"
#提取，可以传入 url 或者 html 文本：
article = g.extract(url=url)
#article = g.extract(raw_html=html)
print(article.title)# 标题
print(article.cleaned_text)# 显示正文

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 dict

raw_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

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：

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。