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：
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/pyt hon-goose
（py3） https:// github.com/goose3/goose 3
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
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
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)
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 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。
进群：548377875 即可获取数十套PDF以及大量的学习教程！
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
这段程序所做的事情就是：
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。
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
