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 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）
github.com/grangier/py…
（py3）
github.com/goose3/goos…
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
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
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 = 'https://mp.weixin.qq.com/s/zflbcF5PS06QC5YJXpiviQ'
# 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。
其他说明
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。
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。
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）。
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/',
**既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Go语言开发知识点，真正体系化！**
**由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新**
**[如果你需要这些资料，可以戳这里获取](https://gitee.com/vip204888)**
