爬蟲萬金油，一鵝在手，抓遍全球：goose 簡介

Python · 發表 2018-10-12 15:53:51

摘要：爬蟲抓取資料有兩個頭疼的點，寫過爬蟲的小夥伴們一定都深有體會：網站的防抓取機制。你要儘可能將自己偽裝成“一個人”，騙過對方的伺服器反爬驗證。網站的內容提取。每個網站都需要你做不同的處理，而且網站一旦改版，你的程式碼也得跟著更新。第一點...

爬蟲抓取資料有兩個頭疼的點，寫過爬蟲的小夥伴們一定都深有體會：

網站的 防抓取 機制。你要儘可能將自己偽裝成“一個人”，騙過對方的伺服器反爬驗證。
網站的 內容提取 。每個網站都需要你做不同的處理，而且網站一旦改版，你的程式碼也得跟著更新。

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，今天咱們就來介紹一個小工具，在某些需求場景下，或許可以給你省不少事。

Goose

Goose 是一個 文章內容提取器 ，可以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、視訊 等資訊，且 支援中文 網頁。它最初是由 ofollow,noindex"> 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可以直接獲取正文內容，無需再用 bs4 或正則表示式一個個去處理文字。

專案地址：

（py2） https:// github.com/grangier/pyt hon-goose

（py3） https:// github.com/goose3/goose 3

安裝

網上大多數教程提到的 python-goose 專案目前只支援到 python 2.7。可以通過 pip 安裝：

pip install goose-extractor

或者安裝官網上的方法從原始碼安裝：

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

經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異。

快速上手

這裡使用 goose3，而 python-goose 只要把其中的 goose3 改成 goose 即可，介面都是一樣的。以我之前發過的一篇文章如何用Python抓抖音上的小姐姐為抓取目標來做個演示。

from goose3 import Goose
from goose3.text import StopWordsChinese
# 初始化，設定中文分詞
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，還可以獲取一些額外的資訊，比如：

meta_description ：摘要
meta_keywords ：關鍵詞
tags ：標籤
top_image ：主要圖片
infos ：包含所有信息的 dict
raw_html ：原始 HTML 文字

如有有些網站限制了程式抓取，也可以根據需要新增 user-agent 資訊：

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

如果是 goose3，因為使用了 requests 庫作為請求模組，因此還可以以相似方式配置 headers、proxies 等屬性。

在上述示例中使用到的 StopWordsChinese 為中文分詞器，可一定程度上提高中文文章的識別準確率，但更耗時。

其他說明

Goose 雖然方便，但並不能保證每個網站都能精確獲取，因此 適合大規模文章的採集 ，如熱點追蹤、輿情分析等。它只能從概率上保證大多數網站可以相對準確地抓取。我經過一些嘗試後發現，抓取英文網站優於中文網站，主流網站優於小眾網站，文字的提取優於圖片的提取。

從專案中的 requirements.txt 檔案可以看出，goose 中使用到了 Pillow、lxml、cssselect、jieba、beautifulsoup、nltk ，goose3 還用到了 requests ，我們之前很多文章和專案中都有所涉及：

這個男人讓你的爬蟲開發效率提升8倍【程式設計課堂】jieba-中文分詞利器

如果你是使用基於 python2 的 goose，有可能會遇到編碼上的問題（尤其是 windows 上）。這方面可以在公眾號對話裡回覆關鍵詞編碼，我們有過相關的講解。

除了 goose 外，還有其他的正文提取庫可以嘗試，比如 python-boilerpipe、python-readability 等。

例項

最後，我們來用 goose3 寫小一段程式碼，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

這段程式所做的事情就是：

抓取網站首頁
從頁面上提取地址中帶有數字的連結（因為文章頁基本帶數字，這裡為了演示簡單以此判斷）
抓取這些連結，提取正文。如果結果超過 200 個字，就儲存成檔案

效果：

在此基礎上，你可以繼續改進這個程式，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、生成詞雲等後續操作。類似我們之前的分析案例資料分析：當趙雷唱民謠時他唱些什麼？。進一步完善，相信你能做出更有意思的專案。

相關程式碼已上傳，獲取地址請在公眾號（ Crossin的程式設計教室 ）裡回覆關鍵字 goose

════

其他文章及回答：

歡迎微信搜尋及關注： Crossin的程式設計教室

爬蟲萬金油，一鵝在手，抓遍全球：goose 簡介

Goose

安裝

其他說明

您可能也會喜歡…