用 Python 实现网页自动化朗读

作者 | hoxis

是不是有的时候懒得自己看新闻？那么不妨试试用 Python 来朗读给你听吧。

网页转换成语音，步骤无外乎：

• 网页正文识别，获取到正文的文本内容；
• 文本转语音，通过接口将文本转换成语音文件；
• 语音文件的发声，即将语音文件读出；

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：

importrequests

fromreadability importDocument

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。

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：

fromaip importAipSpeech

"""

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

ifnotisinstance(result, dict):

withopen( 'auido.mp3', 'wb') asf:

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] fori inrange( 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

defmerge_voice(file_list):

voice_dict = {}

song = None

fori,f inenumerate(file_list):

ifi == 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")

returnfile_name

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。

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。

pythonpage2voice.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。

总结

至此，网页到音频的转换就结束了。当然程序没有这么完美，比如中英文混合的网页解析和转换的结果就不怎么理想，但是纯中文的新闻页面效果还是不错的。源码已上传至 GitHub：