Day 16: Goose Extractor —— 好用的文章提取工具

最新推荐文章于 2024-08-13 08:37:15 发布

GarfieldEr007

最新推荐文章于 2024-08-13 08:37:15 发布

阅读量2.1k

点赞数

分类专栏： 30天学习30种技术文章标签：一个月技术 Goose Extractor

30天学习30种技术专栏收录该内容

31 篇文章 1 订阅

订阅专栏

今天的“30天学习30种新技术”的主题是如何使用Python进行文章提取。这几个月来，我对文章提取很感兴趣，因为我想写一个Prismatic克隆。Prismatic创建基于用户兴趣的新闻源。提取文章的主要内容、图片和其他元信息对大多数类似Prismatic的内容发现站点很有用。本文中，我们将学习如何使用Python的goose-extractor包来完成这个任务。我们首先介绍一些基础知识，然后使用Goose Extractor 的 API 来开发一个简单的Flask应用。

Goose Extractor是什么？

Goose Extractor是一个Python的开源文章提取库。可以用它提取文章的文本内容、图片、视频、元信息和标签。Goose本来是由Gravity.com编写的Java库，最近转向了scala。

Goose Extractor网站是这么介绍的：

Goose Extractor完全用Python重写了。目标是给定任意资讯文章或者任意文章类的网页，不仅提取出文章的主体，同时提取出所有元信息以及图片等信息。

为什么关心Goose Extractor

我决定学习Goose Extractor是因为：

我打算开发需要文章提取功能的应用。Goose Extractor基于NLTK和Beautiful Soup，分别是文本处理和HTML解析的领导者。
我想了解如何用Python进行文章提取。

安装Goose Extractor

我们首先需要安装Python和virtualenv，本文使用的Python版本是2.7。

然后使用如下命令安装：

mkdir myapp
cd myapp
virtualenv venv --python=python2.7
. venv/bin/activate
pip install goose-extractor

GitHub仓库

今天的示例程序的代码可从GitHub取得。

应用

示例应用运行在 OpenShift 上 http://gooseextractor-t20.rhcloud.com/ 用户可以提交链接，应用会显示标题，主要图片和正文的前200个字符。

我们将开发一个简单的REST API Flask应用。如果你不了解Flask，你可以看这篇我以前写的文章。

安装Flask：

. venv/bin/activate
pip install flask

在myapp目录下创建app.py，内容如下：

from flask import Flask, request, render_template,jsonify
from goose import Goose

app = Flask(__name__)

@app.route('/')
@app.route('/index')
def index():
    return render_template('index.html')

@app.route('/api/v1/extract')
def extract():
    url = request.args.get('url')
    g = Goose()
    article = g.extract(url=url)
    response = {'title' : article.title , 'text' : article.cleaned_text[:250],'image': article.top_image.src}
    return jsonify(response)

if __name__ == "__main__":
    app.run(debug=True)

解释下上面的代码：

从flask包导入了Flask类、request对象、jsonify函数和render_template函数。
从goose包导入Goose类。
定义了/和index的路由。若用户向/或/index发送GET请求，会渲染index.html页面。
定义了/api/v1/extract路由。我们从请求对象中获取url，然后创建了一个Goose类的实例。接着提取文章。最后创建一个json对象并返回该对象。json对象中包括标题、文本和主要图片。
最后我们使用python app.py命令来启动开发服务器，以运行应用。我们把上面的代码复制到app.py文件中。我们同时通过Debug=True开启了调试，这样当意料之外的情况出现时，浏览器就可以提供一个交互式的调试器。开启调试的另一个好处是，改动文件之后，服务会自动重新加载。我们可以让调试器在后台运行，然后继续在我们的应用上工作。这提供了高效的开发环境。

我们将在index.html中使用Twitter Bootstrap来添加样式。我们同时使用了jQuery，以便实现keyup事件触发REST调用。退格、制表符、回车、上、下、左、右不会触发REST调用。

<!DOCTYPE html>
<html>
<head>
    <title>Extract Title, Text, and Image from URL</title>
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <link rel="stylesheet" type="text/css" href="static/css/bootstrap.css">
    <style type="text/css">
    body {
      padding-top:60px;
      padding-bottom: 60px;
    }
  </style>
</head>
<body>

<div class="navbar navbar-inverse navbar-fixed-top">
      <div class="container">
        <div class="navbar-header">
          <button type="button" class="navbar-toggle" data-toggle="collapse" data-target=".navbar-collapse">
            <span class="icon-bar"></span>
            <span class="icon-bar"></span>
            <span class="icon-bar"></span>
          </button>
          <a class="navbar-brand" href="#">TextExtraction</a>
        </div>

    </div>
  </div>

<div id="main" class="container">
    <form class="form-horizontal" role="form" id="myform">
        <div class="form-group">
            <div class="col-lg-4">
                <input type="url" id="url" name="url"  class="form-control" placeholder="Url you want to parse" required>
            </div>
        </div>
        <div class="form-group">
            <input type="submit" value="Extract" id="submitUrl" class="btn btn-success">
        </div>
    </form>
</div>

<div id="loading" style="display:none;" class="container">
    <img src="/static/images/loader.gif" alt="Please wait.." />
</div>

<div id="result" class="container">

</div>

<script type="text/javascript" src="static/js/jquery.js"></script>
<script type="text/javascript">
    $("#myform").on("submit", function(event){
        $("#result").empty();
        event.preventDefault();
        $('#loading').show();
        var url = $("#url").val()
        $.get('/api/v1/extract?url='+url,function(result){
            $('#loading').hide(); 
            $("#result").append("<h4>"+result.title+"</h4>");
            $("#result").append("<img src='"+result.image+"' height='300' width='300'</img>");
            $("#result").append("<p class='lead'>"+result.text+"</p>");
    })


    });

</script>
</body>
</html>

你可以从github 仓库中复制js和css文件。

上面的HTML文件中，表单提交触发REST调用。当我们接受到回应后，将它附加到resultdiv中。

部署到云端

在我们部署应用到OpenShift之前，我们需要先设置一下：

注册一个OpenShift账号。注册是完全免费的，Red Hat给每个用户三枚免费的Gear,可以用Gear运行你的应用。在写作此文的时候，每个用户能免费使用总共 1.5 GB 内存和 3 GB 硬盘空间。
安装 rhc客户端工具。rhc是ruby gem，因此你的机子上需要装有 ruby 1.8.7以上版本。只需输入 sudo gem install rhc即可安装 rhc 。如果你已经安装过了，确保是最新版。运行sudo gem update rhc即可升级。关于配置rhc命令行工具的详细信息，请参考： https://openshift.redhat.com/community/developers/rhc-client-tools-install
使用 rhc 的 setup 命令配置你的 OpenShift 账号。这个命令会帮助你创建一个命名空间，同时将你的ssh公钥上传至 OpenShift 服务器。

设置之后，我们可以通过如下命令创建一个新的OpenShift应用。

rhc create-app day16demo python-2.7 --from-code https://github.com/shekhargulati/day16-goose-extractor-demo.git --timeout 180

这会为我们创建一个名为gear的应用容器，并自动配置相应的SELinux政策和cgroup设置。OpenShift同时会为我们创建一个私有的git仓库，并将其克隆到本地。最后，OpenShift会自动配置DNS。应用可以在如下地址访问 http://gooseextractor-t20.rhcloud.com/

好了，这就是今天的内容。请不断反馈。

原文 Day 16: Goose Extractor--An Article Extractor That Just Works
翻译 SegmentFault