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，今天我們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 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 或正規表示式一個個去處理文字。
專案地址：
（py2） https://github.com/grangier/python-goose
（py3） https://github.com/goose3/goose3
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
複製程式碼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
複製程式碼我找到一個 python 3 的版本 goose3：
pip install goose3
複製程式碼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)
複製程式碼輸出：
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：包含所有資訊的 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'})
複製程式碼如果是 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
1.
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。
2.
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
3.
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。
4.
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
複製程式碼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：
如何自學Python | 新手引導 | 精選Python問答 | 如何debug？ | Python單詞表 | 知乎下載器 | 人工智慧 | 嘻哈 | 爬蟲 | 我用Python | 高考 | requests | AI平臺
歡迎微信搜尋及關注：Crossin的程式設計教室
