网页正文提取总带广告？goose3：专抽文章正文的 Python 库

GitHub 仓库

goose3/goose3

总 Stars

★ 917

主要语言

Python

查看 GitHub 项目

结论先说：goose3 是专抽网页正文的 Python 库，917 星，Apache-2.0 协议，2016 年建库，2026 年 7 月 23 日还有提交。给它一个新闻链接，能把正文、标题、图片、发布时间抽出来，广告和导航栏自动去掉。

它是什么：一个文章提取库，针对新闻和博客页面优化，抽出来的正文干净，可以直接存进数据库或拿去做摘要。

能干嘛：做资讯聚合、文章归档、内容分析的前处理；配合爬虫用，先抓页面再抽正文，一条流水线就通了。

适合谁：做内容聚合的开发者、要批量处理文章的同学、写 RSS 阅读器的人。

注意点：星数不到一千，属于小众库；对结构特殊的页面要自己调规则，别指望一个库通吃所有站；API 主语言字段显示 HTML 是因为仓库里文档占比大，实际是 Python 库。

goose3 和 trafilatura 有什么区别？

两个都是抽正文的库，trafilatura 偏大规模批量处理，goose3 轻量、接进小项目更快。站里之前发过 trafilatura，这篇是给轻量场景补一个选择。

站长点评：我选它是因为正文提取这个需求很具体，goose3 的定位就是轻量好接。917 星是低了点，但 2026 年 7 月还在更新，不是停更项目。我的建议是先拿十个目标站测一遍提取效果，达标再批量上。