使用报纸库从用泡菜导入的列表中解析URL时出现问题

Question

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。

Answer 1

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