介绍一个文本提取库 —— Goose

goose3主要用于新闻、文章的主要信息提取。

GOOSE将尝试提取以下信息：

1. 文章主文

2. 文章图片

3. 文章中的YouTube / Vimeo视频

4. 描述标记

5. 标签

使用pip安装

pip install goose3

用法：

>>> from goose3 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 months lost their court bid to avoid eviction Wednesday in a decision made by London's Court of A