如何解决Feedparser 无法正确解析电子邮件正文
我正在尝试使用 feedparser 解析以下内容(来自 gmail 电子邮件正文),方法是将其作为原始文本提要输入。我将在页面上显示它,所以我希望它看起来像在电子邮件正文中所做的那样,并且我正在使用 feedparser 来帮助清理内容。
来自 GMail 的原始电子邮件正文,其中每个 testing#(例如 testing1、 testing2 等)都在一个新行上:
<div dir="ltr">testing1<div>testing2</div><div>testing3</div><div>testing4</div><div>testing5</div><div>testing6</div><div> testing1<div>testing2</div><div>testing3</div><div>testing4</div><div>testing5</div><d
iv>testing6</div><div> testing1<div>testing2</div><div>testing3</div><div>testing4</div><div>testing5</div><div>testing6</div></div><div> testing1<div>testing2</div><div>testing3</div><div>testing4</div><div>t
esting5</div><div>testing6</div></div><div><br></div>-- <br><div dir="ltr" class="gmail_signature" data-smartmail="gmail_signature"><div dir="ltr">Bob Johnson<br>(123) 456-7890</div></div></div></div>
然后我将其输入到 RSS 提要中,如下所示:
<rss version="2.0">
<channel>
<title>Created Feed</title>
<item><title>test2</title>
<pubDate>Sun,23 May 2021 21:38:03 -0400</pubDate>
<link>elysiumreader+yac41zdxipljzcfl@gmail.comSun23May20212138030400</link>
<content><div dir="ltr">testing1<div>testing2</div><div>testing3</div><div>testing4</div><div>testing5</div><div>testing6</div><div> testing1<div>testing2</div><div>testing3</div><div>testing4</div><div>testing5</div><d
iv>testing6</div><div> testing1<div>testing2</div><div>testing3</div><div>testing4</div><div>testing5</div><div>testing6</div></div><div> testing1<div>testing2</div><div>testing3</div><div>testing4</div><div>t
esting5</div><div>testing6</div></div><div><br></div>-- <br><div dir="ltr" class="gmail_signature" data-smartmail="gmail_signature"><div dir="ltr">Bob Johnson<br>(123) 456-7890</div></div></div></div>
</content>
</channel>
</rss>
这最终会像下面那样解析,它丢失了行之间的换行符,最终看起来
标签将其抛出并停止正确解析。
{'title': 'test2','title_detail': {'type': 'text/plain','language': None,'base': '','value': 'test2'},'published': 'Sun,23 May 2021 21:38:03 -0400','published_parsed': time.struct_time(tm_year=2021,tm_mo
n=5,tm_mday=24,tm_hour=1,tm_min=38,tm_sec=3,tm_wday=0,tm_yday=144,tm_isdst=0),'links': [{'rel': 'alternate','type': 'text/html','href': 'www.test.com/blablabla'}
],'link': 'www.test.com/blablabla','content': [{'type': 'application/xhtml+xml','value': 'testing1testing2testing3testing4testing5testing6
\xa0 testing1testing2testing3testing4testing5testing6\xa0 testing1testing2testing3testing4testing5testing6\xa0 testing1testing2testing3testing4testing5testing6<br /></div>-- <br /><div class="gmail_signature" di
r="ltr"><div dir="ltr">Bob Johnson<br />(123) 456-7890</div></div></div></div>'}],'summary': 'testing1testing2testing3testing4testing5testing6\xa0 testing1testing2testing3testing4testing5testing6\xa0 testing1tes
ting2testing3testing4testing5testing6\xa0 testing1testing2testing3testing4testing5testing6<br /></div>-- <br /><div class="gmail_signature" dir="ltr"><div dir="ltr">Bob Johnson<br />(123) 456-7890</div></div></div></div>'}
任何想法或想法将不胜感激。谢谢
解决方法
RSS 基本上是一个 XML 文档,因此它必须遵循相当严格的规则。您从 Gmail 中提取的 HTML 标记破坏了 RSS 文档。如果您希望提要包含 HTML 标记,则需要在将内容添加到 RSS 提要之前encode HTML entities 或将内容包装在 CDATA 部分。
使用标准库对 HTML 实体进行编码:
>>> from html import escape
>>> escape('<div dir="ltr">testing1<div>testing2')
'<div dir="ltr">testing1<div>testing2'
对于 CDATA:
>>> body='<div dir="ltr">testing1<div>testing2'
>>> print(f"<![CDATA[{body}]]>")
<![CDATA[<div dir="ltr">testing1<div>testing2]]>
这两个选项都只会影响标记,即使它看起来很吓人,它也会正确显示给最终用户。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。