Python-goose：用于文章提取的Python库

Python-goose项目是用Python重写的Goose，Goose原来是用Java写的文章提取工具。Python-goose的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，支持中文网页。
Python-goose可提取的信息包括：

• 文章主体内容
• 文章主要图片
• 文章中嵌入的任何Youtube/Vimeo视频
• 元描述
• 元标签

Python-goose许可为Apache 2.0。

https://github.com/grangier/python-goose

安装

git clone https://github.com/grangier/python-goose.git
cd python-goose
pip install -r requirements.txt
python setup.py install


一个简单的例子 

 from goose import Goose
 url = 'http://edition.cnn.com/2012/02/22/world/europe/uk-occupy-london/index.html?hpt=ieu_c2'
 g = Goose()
 article = g.extract(url=url)
 article.title
#u'Occupy London loses eviction fight'
 article.meta_description
#"Occupy London protesters who have been camped outside the landmark St. Paul's Cathedral for the past four mo