[英]Trouble parsing URLs from a list imported with pickle using newspaper library
我一直在尝试传递网址列表以从页面中提取文章。 如果我建立实际的网址列表(例如lista =' http ://www.zeit.de',...),则提取(使用报纸)效果很好。 但是,即使可以打印列表,也无法从另一个文件中获取列表。 以下是代码:
import io
import newspaper
from newspaper import Article
import pickle
lista = ['http://www.zeit.de',
'http://www.guardian.co.uk',
'http://www.zeit.de',
'http://www.spiegel.de']
apple = 0
banana = lista[apple]
orange = "file_" + str(apple) + ".txt"
while apple <4 :
first_article = Article(url= banana , language='de')
first_article.download()
first_article.parse()
print(first_article.text).encode('cp850', errors='replace')
with io.open(orange, 'w', encoding='utf-8') as f:
f.write(first_article.text)
apple += 1
banana = lista[apple]
orange = "file_" + str(apple) + ".txt"
上面的MCVE可以正常工作。 当我释放清单时,将其打印到控制台上可以按我期望的方式工作,例如使用以下脚本:
import pickle
import io
lista = pickle.load( open( "save.p", "rb" ) )
print lista
List输出的示例如下所示
['www.zeit.de/1998/51/Psychokrieg_mit_Todesfolge', 'www.zeit.de/1998/51/Raffgierig', 'www.zeit.de/1998/51
/Runter_geht_es_schnell', 'www.zeit.de/1998/51/Runter_mit_den_Zinsen_', 'www.zeit.de/1998/51/SACHBUCH', 'www.zeit.de/199
8/51/Schwerer_Irrtum', 'www.zeit.de/1998/51/Silvester_mit_Geist', 'www.zeit.de/1998/51/Tannen_ohne_Nachwuchs', 'www.zeit
.de/1998/51/This_is_Mu_hen', 'www.zeit.de/1998/51/Tuechtig', 'www.zeit.de/1998/51/Ungelehrig']
但是列表中有成千上万个网址。
显示的错误消息并不能告诉我太多(下面的完整回溯)
Traceback (most recent call last):
File "C:\Python27\lib\site-packages\newspaper\parsers.py", line 53, in fromstring
cls.doc = lxml.html.fromstring(html)
File "C:\Python27\lib\site-packages\lxml\html\__init__.py", line 706, in fromstring
doc = document_fromstring(html, parser=parser, base_url=base_url, **kw)
File "C:\Python27\lib\site-packages\lxml\html\__init__.py", line 600, in document_fromstring
value = etree.fromstring(html, parser, **kw)
File "lxml.etree.pyx", line 3032, in lxml.etree.fromstring (src\lxml\lxml.etree.c:68121)
File "parser.pxi", line 1786, in lxml.etree._parseMemoryDocument (src\lxml\lxml.etree.c:102470)
File "parser.pxi", line 1667, in lxml.etree._parseDoc (src\lxml\lxml.etree.c:101229)
File "parser.pxi", line 1035, in lxml.etree._BaseParser._parseUnicodeDoc (src\lxml\lxml.etree.c:96139)
File "parser.pxi", line 582, in lxml.etree._ParserContext._handleParseResultDoc (src\lxml\lxml.etree.c:91290)
File "parser.pxi", line 683, in lxml.etree._handleParseResult (src\lxml\lxml.etree.c:92476)
File "parser.pxi", line 633, in lxml.etree._raiseParseError (src\lxml\lxml.etree.c:91939)
XMLSyntaxError: None
我已经尝试修复了几个小时,但我还没有找到解决方法。 任何帮助将不胜感激。
如果我理解正确,则您要腌制/解开的对象是lista变量中的URL列表。 我会做这个假设。 因此,如果
lista = pickle.load( open( "save.p", "rb" ) )
print lista
给出您期望的输出,则酸洗液已起作用。 列表中的实际内容似乎更有可能出现问题。
快速浏览Github上的news.py代码-我们看到此行引发了错误:
cls.doc = lxml.html.fromstring(html)
查看Article.parse()-调用Parser.fromstring()方法-因此,可以肯定的是,这里的问题是调用first_article.parse()时。
报纸图书馆的那段代码带有注释
# Enclosed in a `try` to prevent bringing the entire library
# down due to one article (out of potentially many in a `Source`)
因此,我认为从泡菜中导入的列表中的(第一个?)文章之一很可能是一个问题。
编辑:
在OP问题编辑之后-您的代码问题是列表中第一个可疑的URL。 在控制台中手动尝试,例如
url = 'www.zeit.de/1998/51/Psychokrieg_mit_Todesfolge'
first_article = Article(url, language='de')
first_article.download()
first_article.parse()
它给出相同(或相似)的错误。 但是,如果我尝试其他文章-例如http://www.zeit.de/community/2015-01/suizid-tochter-entscheidung-akzeptieren ,则上面的代码可以正常工作,如果键入
print(first_article.text.encode('cp850', errors='replace'))
所以,是错误的内容,而不是泡菜。 由于某种原因,lxml库和报纸库无法解析该文章。 我不能说为什么,当我在浏览器中访问它时看起来还可以。
EDIT2:
在与OP进行评论讨论之后-问题是未选择的列表中的URL以www.
开头www.
而不是http:\\\\www.
。 为了解决这个问题
url = ''
lista = pickle.load( open( "save.p", "rb" ) )
for u in lista:
if u.startswith('www'):
url = 'http://' + u
else:
url = u
# Carry on with your url processing here
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.