python extractor_Day 16: Goose Extractor —— 好用的文章提取工具

编者注：我们发现了有趣的系列文章《30天学习30种新技术》，正在翻译，一天一篇更新，年终礼包。下面是第 16 天的内容。

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。

Extract Title, Text, and Image from URL

body {

padding-top:60px;

padding-bottom: 60px;

}

TextExtraction

$("#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("

"+result.title+"

");

$("#result").append("");

$("#result").append("

"+result.text+"

");

})

});

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。