1 網頁正文識別

之所以用 Python，就是因為 Python 有著豐富的庫，網頁正文識別也不在話下。這里我嘗試了 readability、goose3。1.1 readability

readability 支持 Python3，使用 pip install readability-lxml 安裝即可。

readability 使用起來也很方便：

import requests
from readability import Document

response = requests.get('http://news.china.com/socialgd/10000169/20180616/32537640_all.html')
doc = Document(response.text)
print(doc.title())

但是 readability 提取到的正文內容不是文本，里面仍包含 HTML 標簽。

當然也可以結合其他組件再對 HTML 進行處理，如 html2text，我們這里就不再延伸，有興趣的可以自行嘗試。

1.2 goose3

Goose 本來是一個用 Java 編寫的文章提取器，后來就有了 Python 實現版： goose3 。

使用起來也很方便，同時對中文支持也不錯。使用 pip install goose3 即可安裝。

>>> from goose3 import Goose
>>> from goose3.text import StopWordsChinese
>>> url  = 'http://news.china.com/socialgd/10000169/20180616/32537640_all.html'
>>> g = Goose({'stopwords_class': StopWordsChinese})
>>> article = g.extract(url=url)
>>> print(article.cleaned_text[:150])
北京時間6月15日23:00(圣彼得堡當地時間18:00)，2018年世界杯B組一場比賽在圣彼得堡球場展開角逐，伊朗1比0險勝摩洛哥，伊朗前鋒阿茲蒙半場結束前錯過單刀機會，鮑哈杜茲第95分鐘自擺烏
龍。這是伊朗20年來首度在世界杯決賽圈取勝。

本屆世界杯，既相繼出現替補便進球，貼補梅開二度以及東道主

可以看出網頁正文提取效果還不錯，基本滿足我們的要求，可以使用！

注意：goose 還有另外一個 Python2 的版本：Python-Goose，使用方法和 goose3 基本一樣。

2 文本轉語音

文本轉語音，百度、阿里、騰訊、訊飛等都有提供 REST API 接口，阿里和騰訊的申請相對時間較長，阿里的貌似還要收費，百度和訊飛的在線申請后即可使用。

沒辦法，好的東西得來總是要曲折一些。其中百度的沒有調用量的限制（其實默認是 200000 次/天），訊飛有每天 500 次的限制。

這里我們使用百度的 REST API 接口中的語言合成接口，一方面原因是百度的調用次數沒有限制，另一方面，我大致看了下訊飛的接口文檔，接口限制還是比較多的。還有就是百度提供了 REST API 的 Python 封裝，使用也更方便。

2.1 baidu-aip 的使用

百度提供了 Python SDK，使用 pip install baidu-aip 可以直接安裝。接口的使用可以參考接口文檔：http://ai.baidu.com/docs#/TTS-Online-Python-SDK/top。

使用示例如下：

from aip import AipSpeech
"""
你的 APPID AK SK 
均可在服務控制臺中的應用列表中查看。
"""
APP_ID = '你的 App ID'
API_KEY = '你的 Api Key'
SECRET_KEY = '你的 Secret Key'
client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)
result  = client.synthesis('你好，你在做什么', 'zh', 3, {
    'vol': 5,
})
# 識別正確返回語音二進制 錯誤則返回dict 參照下面錯誤碼
if not isinstance(result, dict):
    with open('auido.mp3', 'wb') as f:
        f.write(result)

接口參數：

接口對單次傳入的文本進行了限制，合成文本長度必須小于 1024 字節，如果文本長度過長，就需要進行切割處理，采用多次請求的方式，分別轉換成語音文件，最后再將多個語音文件合并成一個。

2.2 文本切割

可以使用如下代碼將文本分割成多個長度為 500 的文本列表

# 將文本按 500 的長度分割成多個文本
text_list = [text[i:i+500] for i in range(0, len(text), 500)]

2.3 語言文件合并

我們使用 pydub 來處理生成的音頻文件。使用 pip install pydub 即可安裝。

另外還 Ubuntu 環境需要安裝依賴的，使用 sudo apt-get install libav-tools  安裝即可，而在 Windows 環境需要到 https://ffmpeg.zeranoe.com/builds/ 下載 FFmpeg，并將其配置到環境變量中。

若還有問題，可以參考官網配置：https://github.com/jiaaro/pydub。

# 合并音頻文件
def merge_voice(file_list):
    voice_dict = {}
    song = None
    for i,f in enumerate(file_list):
        if i == 0:
            song = AudioSegment.from_file(f,"mp3")
        else:
            # 拼接音頻文件
            song += AudioSegment.from_file(f,"mp3")
        # 刪除臨時音頻
        os.unlink(f)

    # 導出合并后的音頻文件，格式為MP3格式
    file_name = str(uuid.uuid1()) + ".mp3"
    song.export(file_name, format="mp3")
    return file_name

這里有一個測試時生成的文件，大家可以試聽一下：

通過百度的接口，我們可以將文字轉化成音頻文件，下面的問題就是如何播放音頻文件。

3 音頻文件播放

網上獲取到 Python 播放 wav 文件的方式由好幾種，包括 pyaudio、pygame、winsound、playsound。不過測試下來，只有 playsound 成功。其他方式有興趣的可以試下，有問題可以留言交流。

使用 pip install playsound 安裝后即可使用。

使用也很簡單：

>>> from playsound import playsound
>>> playsound('/path/to/a/sound/file/you/want/to/play.mp3')

說明：音頻的播放需要在圖形化頁面下運行，因為命令行模式下，沒有播放聲音的出口。

python page2voice.py -u "https://so.gushiwen.org/shiwenv_c244fc77f6fb.aspx"

運行后，代碼就會自動解析網頁并進行朗讀啦。