1 网页正文识别

之所以用 Python，就是因为 Python 有着丰富的库，网页正文识别也不在话下。这里我尝试了 readability、goose3。1.1 readability

readability 支持 Python3，使用 pip install readability-lxml 安装即可。

readability 使用起来也很方便：

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 提取到的正文内容不是文本，里面仍包含 HTML 标签。

当然也可以结合其他组件再对 HTML 进行处理，如 html2text，我们这里就不再延伸，有兴趣的可以自行尝试。

1.2 goose3

Goose 本来是一个用 Java 编写的文章提取器，后来就有了 Python 实现版： goose3 。

使用起来也很方便，同时对中文支持也不错。使用 pip install goose3 即可安装。

>>> 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])
北京时间6月15日23:00(圣彼得堡当地时间18:00)，2018年世界杯B组一场比赛在圣彼得堡球场展开角逐，伊朗1比0险胜摩洛哥，伊朗前锋阿兹蒙半场结束前错过单刀机会，鲍哈杜兹第95分钟自摆乌
龙。这是伊朗20年来首度在世界杯决赛圈取胜。

本届世界杯，既相继出现替补便进球，贴补梅开二度以及东道主

可以看出网页正文提取效果还不错，基本满足我们的要求，可以使用！

注意：goose 还有另外一个 Python2 的版本：Python-Goose，使用方法和 goose3 基本一样。

2 文本转语音

文本转语音，百度、阿里、腾讯、讯飞等都有提供 REST API 接口，阿里和腾讯的申请相对时间较长，阿里的貌似还要收费，百度和讯飞的在线申请后即可使用。

没办法，好的东西得来总是要曲折一些。其中百度的没有调用量的限制（其实默认是 200000 次/天），讯飞有每天 500 次的限制。

这里我们使用百度的 REST API 接口中的语言合成接口，一方面原因是百度的调用次数没有限制，另一方面，我大致看了下讯飞的接口文档，接口限制还是比较多的。还有就是百度提供了 REST API 的 Python 封装，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 可以直接安装。接口的使用可以参考接口文档：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 
均可在服务控制台中的应用列表中查看。
"""
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,
})
# 识别正确返回语音二进制 错误则返回dict 参照下面错误码
if not isinstance(result, dict):
    with open('auido.mp3', 'wb') as f:
        f.write(result)

接口参数：

接口对单次传入的文本进行了限制，合成文本长度必须小于 1024 字节，如果文本长度过长，就需要进行切割处理，采用多次请求的方式，分别转换成语音文件，最后再将多个语音文件合并成一个。

2.2 文本切割

可以使用如下代码将文本分割成多个长度为 500 的文本列表

# 将文本按 500 的长度分割成多个文本
text_list = [text[i:i+500] for i in range(0, len(text), 500)]

2.3 语言文件合并

我们使用 pydub 来处理生成的音频文件。使用 pip install pydub 即可安装。

另外还 Ubuntu 环境需要安装依赖的，使用 sudo apt-get install libav-tools  安装即可，而在 Windows 环境需要到 https://ffmpeg.zeranoe.com/builds/ 下载 FFmpeg，并将其配置到环境变量中。

若还有问题，可以参考官网配置：https://github.com/jiaaro/pydub。

# 合并音频文件
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:
            # 拼接音频文件
            song += AudioSegment.from_file(f,"mp3")
        # 删除临时音频
        os.unlink(f)

    # 导出合并后的音频文件，格式为MP3格式
    file_name = str(uuid.uuid1()) + ".mp3"
    song.export(file_name, format="mp3")
    return file_name

这里有一个测试时生成的文件，大家可以试听一下：

通过百度的接口，我们可以将文字转化成音频文件，下面的问题就是如何播放音频文件。

3 音频文件播放

网上获取到 Python 播放 wav 文件的方式由好几种，包括 pyaudio、pygame、winsound、playsound。不过测试下来，只有 playsound 成功。其他方式有兴趣的可以试下，有问题可以留言交流。

使用 pip install playsound 安装后即可使用。

使用也很简单：

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

说明：音频的播放需要在图形化页面下运行，因为命令行模式下，没有播放声音的出口。

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

运行后，代码就会自动解析网页并进行朗读啦。