Python 3.x 在Newspaper3k中解析MySQL中的HTML字符串_Python 3.x_Python Newspaper

Python 3.x 在Newspaper3k中解析MySQL中的HTML字符串

python-3.x

Python 3.x 在Newspaper3k中解析MySQL中的HTML字符串,python-3.x,python-newspaper,Python 3.x,Python Newspaper,我有一个MySQL表，其中满是爬网的新闻文章HTML数据。我想用newspaper3k模块提取文章文本，我以前做过很多次现在唯一的区别是，我没有提取URL并用报纸解析结果，而是从MySQL数据库中提取原始HTML字符串不知何故，报纸（或Goose）不喜欢DB中的字符串作为返回的文章。文本总是' 但是，当我将URL与requests.get一起使用并将原始HTML提供给报纸时，它就可以工作了。所以我猜MySQL中的数据的格式/编码不同，所以报纸不会将其理解为HTML 当我从数据库打印数据时，它

我有一个MySQL表，其中满是爬网的新闻文章HTML数据。我想用newspaper3k模块提取文章文本，我以前做过很多次

现在唯一的区别是，我没有提取URL并用报纸解析结果，而是从MySQL数据库中提取原始HTML字符串

不知何故，报纸（或Goose）不喜欢DB中的字符串作为返回的文章。文本总是

但是，当我将URL与requests.get一起使用并将原始HTML提供给报纸时，它就可以工作了。所以我猜MySQL中的数据的格式/编码不同，所以报纸不会将其理解为HTML

当我从数据库打印数据时，它看起来像：

<!DOCTYPE html>\n<html lang="de">\n<head>\n\n<...

<!DOCTYPE html>
<html lang="de">
<head>

<meta charset="utf-8">
<!-- 
    This website is powered by TYPO3 - inspiring people to share!
    TYPO3 is a free open source Content Management Framework initially created by Kasper Skaarhoj and licensed under GNU/GPL.
    TYPO3 is copyright 1998-2016 of Kasper Skaarhoj. Extensions are copyright of their respective owners.
    Information and contribution at http://typo3.org/
--> ...

\n\n\n\n您将获得一个TYPO3页面的标题。可能是默认的404页面。（获取完整的HTML）
如果您的请求应该由TYPO3以外的任何其他文件提供，那么您将错过（htaccess-）配置（默认情况下，TYPO3会回答每个请求，只要没有包含URL请求路径的静态文件）
或者，您希望TYPO3服务器用一个完整页面以外的内容回答您（AJAX:HTML代码片段或JSON？）

那么您可能在TYPO3中没有正确的配置来省略标题
由于涉及到TYPO3，您可能还会在问题上加上TYPO3
我自己解决了这个问题。谢谢大家
结果我只需要在数据库中的HTML上使用BeautifulSoup
把它分成汤。现在它可以工作了。
您想要Python解决方案还是MySQL（SQL）解决方案？显然，这篇文章应该用Python来处理。但是，在MySQL中可能会重新格式化字符串。我真的不在乎。我认为你应该在上提交一个问题，或许可以检查你的问题是否与此相关：谢谢你的回答，但这一点都没有帮助。TYPO3不会将页面的完整HTML标记存储在数据库中，因此，任何DB查询的结果都不会像第一个示例那样得到简单的HTML。否则，您将不会提供更多信息来识别任何内容并给出进一步的提示，特别是TYPO3与您的输出有什么关系。不要期待更多的提示来解决你的问题。