爬虫万金油，一鹅在手，抓遍全球：goose 简介！

GOOSE 现已弃用

经过多年的服务，GOOSE接口和支持它的MySQL数据现已弃用 。 在我们进行替换的同时，我们建议寻找一般查询功能的用户在http://rdf.geneontology.org上使用我们的公共RDF端点。 为了帮助理解图形存储的内容，我们提供了一些示例查询和初始文档 。 
GOOSE仍可供使用，但数据可能已过时。 请使用查询“SELECT max（assocdate）FROM association;” 获取最新的注释日期。 “lite”数据库应该提供更新的结果。

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：

网站的 防抓取 机制。你要尽可能将自己伪装成“一个人”，骗过对方的服务器反爬验证。

网站的 内容提取 。每个网站都需要你做不同的处理，而且网站一旦改版，你的代码也得跟着更新。

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

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：

抓取网站首页

从页面上提取地址中带有数字的链接（因为文章页基本带数字，这里为了演示简单以此判断）

抓取这些链接，提取正文。如果结果超过 200 个字，就保存成文件

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。