Python 无法分析目录中的多个文件 我试图通过发送http请求在网页中打开本地硬盘上的html文件 创建http请求后，我将通过传递url来解析存储的html文件：（一次传递一个文件时解析成功，但我希望对循环中使用的目录中的所有文件进行动态解析。这不起作用）

解析完成后，我会将数据保存到json文件中 我已将代码粘贴到此处：

import json
import os
from newspaper import Article
import newspaper

# initiating the server
server_start = os.system('start "HTTP Server on port 8000" cmd.exe /c {python -m http.server}')
http_server = 'http://localhost:8000/'
links = ''
path = "<path>"
for f in os.listdir(path):
    if f.endswith('.html'):
        links = http_server + path + f

    blog_post = newspaper.build(links)

    for article in blog_post.articles:
        print(article.url)

    article = Article(links)
    article.download('')
    article.parse()
    data = {"HTML": article.html, "author": article.authors, "title": article.title, "text": article.text, "date": str(article.publish_date)}

    json_data = json.dumps(data)
    with open('data.json', 'w') as outfile:
        json.dump(data, outfile)

导入json
导入操作系统
从报纸进口文章
进口报纸
#启动服务器
server_start=os.system（'start“端口8000上的HTTP服务器”cmd.exe/c{python-m HTTP.server}'）
http_服务器http://localhost:8000/'
链接=“”
path=“”
对于os.listdir（路径）中的f：
如果f.endswith（'.html'）：
links=http_服务器+path+f
blog\u post=paper.build（链接）
对于blog_post.articles中的文章：
打印（article.url）
文章=文章（链接）
文章下载（“”）
第条解析（）
data={“HTML”：article.HTML，“author”：article.authors，“title”：article.title，“text”：article.text，“date”：str（article.publish_date）}
json_data=json.dumps（数据）
以open（'data.json'，'w'）作为输出文件：
json.dump（数据，输出文件）

错误消息：

…\paper\Scripts\python.exe“../parsing_paper/test1.py” [源解析错误] 回溯（最近一次呼叫最后一次）：

文件“…\paper\lib\site packages\paper\parsers.py”，第68行， 在fromstring cls.doc=lxml.html.fromstring（html）中

文件“…\paper\lib\site packages\lxml\html\uuuuu init\uuuuuuu.py”，第行 876，在fromstring doc=document_fromstring（html，parser=parser， 基本url=基本url，**千瓦）

文件“…\paper\lib\site packages\lxml\html\uuuuu init\uuuuuuu.py”，第行 762，在文档中_fromstringvalue=etree.fromstring（html，解析器， **千瓦）

文件“src\lxml\lxml.etree.pyx”，第3213行，在lxml.etree.fromstring中 （src\lxml\lxml.etree.c:78994）

文件“src\lxml\parser.pxi”，第1848行，在 lxml.etree.\u parseMemoryDocument（src\lxml\lxml.etree.c:118325）

文件“src\lxml\parser.pxi”，第1729行，在lxml.etree.\u parseDoc中 （src\lxml\lxml.etree.c:116883）

文件“src\lxml\parser.pxi”，第1063行，在 lxml.etree.\u BaseParser.\u parseUnicodec （src\lxml\lxml.etree.c:110870）

文件“src\lxml\parser.pxi”，第595行，在 lxml.etree.\u ParserContext.\u handleParseResultDoc （src\lxml\lxml.etree.c:105093）

文件“src\lxml\parser.pxi”，第706行，在 lxml.etree.\u handleParseResult（src\lxml\lxml.etree.c:106801）

lxml.etree中的文件“src\lxml\parser.pxi”，第646行 （src\lxml\lxml.etree.c:105947）

文件“”，第0行lxml.etree.xmlsyntaxer错误：

在调用

parse（）

之前，您必须

download（）

一篇文章

回溯（最近一次调用last）：文件“../test1.py”，第26行，在 第条解析（）

文件“…\paper\lib\site packages\paper\article.py”，第168行， 在parse raise articleeexception（）paper.article.articleeexception中

---

深入调试前要遵循的检查列表：

检查html是否为空

检查ahtml是否“格式良好”

检查文章是否为空

检查是否下载了文章（函数parse（）的作用是这样的，但这有助于隔离“有问题的”文章）

---

不知道这是否有帮助，但请尝试以下方法：

import json
import os
from newspaper import Article
import newspaper

# initiating the server
server_start = os.system('start "HTTP Server on port 8000" cmd.exe /c {python -m http.server}')
http_server = 'http://localhost:8000/'
links = ''
path = "<path>"
for f in os.listdir(path):
    if f.endswith('.html'):
       links = http_server + path + f

       blog_post = newspaper.build(links)

       for article in blog_post.articles:
       print(article.url)

       article = Article(links)
       article.download('')
       article.parse()
       data = {"HTML": article.html, "author": article.authors, "title": article.title, "text": article.text, "date": str(article.publish_date)}

       json_data = json.dumps(data)
       with open('data.json', 'w') as outfile:
       json.dump(data, outfile)

导入json
导入操作系统
从报纸进口文章
进口报纸
#启动服务器
server_start=os.system（'start“端口8000上的HTTP服务器”cmd.exe/c{python-m HTTP.server}'）
http_服务器http://localhost:8000/'
链接=“”
path=“”
对于os.listdir（路径）中的f：
如果f.endswith（'.html'）：
links=http_服务器+path+f
blog\u post=paper.build（链接）
对于blog_post.articles中的文章：
打印（article.url）
文章=文章（链接）
文章下载（“”）
第条解析（）
data={“HTML”：article.HTML，“author”：article.authors，“title”：article.title，“text”：article.text，“date”：str（article.publish_date）}
json_data=json.dumps（数据）
以open（'data.json'，'w'）作为输出文件：
json.dump（数据，输出文件）

否则，如果第一个文件不是具有html扩展名的文件，则尝试构建一个空字符串

或

---

如果第一个文件是具有html扩展名的文件，但第二个文件不是，那么您将（至少）构建同一个文件两次。html肯定不是空的。感谢您的回复@sdikby 1。html肯定不是空的。2.我直接从网站上保存了网页（html）。3.在任务中，html文件将使用scrapy从web上刮取，网页将存储在本地磁盘上。我不确定这些文章是否会被下载，而且我也不太明白你所说的“有问题的”文章是什么意思。对不起，我没有找到更好的术语来描述我的意思。我所说的“有问题”是指由于

报纸定义的某些原因（例外情况）而无法下载的文章。有一个类参数self.\u下载（我想）供您测试。或者我遗漏了一些东西，我建议不要应用allIn short，你不能解析一篇无法下载的文章。Y您还可以使用
try..except添加is-round-artcile.download（）和.parse