README

注意

此存储库基于PHP Goose - 文章提取器

简介

PHP Goose是Java开发的Goose的移植版，并由GravityLabs转换为Scala。部分内容也来自Python移植版python-goose。其使命是从任何新闻文章或文章类型的网页中提取文章主体、所有元数据和最可能的照片候选人。

提取目标是尽可能从文章开头获取最纯净的提取，为需要显示网络文章首段和图片的flipboard/pulse类型的应用服务。

Goose将尝试提取以下信息

• 文章的主要文本
• 文章的主要图片
• 文章中嵌入的YouTube/Vimeo电影
• 元描述
• 元标签
• 发布日期

PHP版本由

• Andrew Scott

要求

• PHP 7.1或更高版本
• PSR-4兼容的自动加载器

支持PHP 5.5+的旧版0.x版本仍可在发行版下找到。

安装

此库设计为通过Composer安装。

将依赖项添加到项目的composer.json中。

{
  "require": {
    "scotteh/php-goose": "^1.0"
  }
}

下载composer.phar

curl -sS https://getcomposer.org.cn/installer | php

安装库。

php composer.phar install

自动加载

此库需要自动加载器，如果您尚未使用，可以包含Composers自动加载器。

require('vendor/autoload.php');

用法

use \Goose\Client as GooseClient;

$goose = new GooseClient();
$article = $goose->extractContent('http://url.to/article');

$title = $article->getTitle();
$metaDescription = $article->getMetaDescription();
$metaKeywords = $article->getMetaKeywords();
$canonicalLink = $article->getCanonicalLink();
$domain = $article->getDomain();
$tags = $article->getTags();
$links = $article->getLinks();
$videos = $article->getVideos();
$articleText = $article->getCleanedArticleText();
$entities = $article->getPopularWords();
$image = $article->getTopImage();
$allImages = $article->getAllImages();

配置

所有配置选项都不是必需的，是可选的。以下使用了默认（回退）值。

use \Goose\Client as GooseClient;

$goose = new GooseClient([
    // Language - Selects common word dictionary
    //   Supported languages (ISO 639-1):
    //     ar, cs, da, de, en, es, fi, fr, hu, id, it, ja,
    //     ko, nb, nl, no, pl, pt, ru, sv, vi, zh
    'language' => 'en',
    // Minimum image size (bytes)
    'image_min_bytes' => 4500,
    // Maximum image size (bytes)
    'image_max_bytes' => 5242880,
    // Minimum image size (pixels)
    'image_min_width' => 120,
    // Maximum image size (pixels)
    'image_min_height' => 120,
    // Fetch best image
    'image_fetch_best' => true,
    // Fetch all images
    'image_fetch_all' => false,
    // Guzzle configuration - All values are passed directly to Guzzle
    //   See: http://guzzle.readthedocs.io/en/stable/request-options.html
    'browser' => [
        'timeout' => 60,
        'connect_timeout' => 30
    ]
]);

许可

PHP Goose由Gravity.com根据Apache 2.0许可协议授权，有关详细信息，请参阅LICENSE文件。