Feedparser返回一個SAXParseException

Question

我嘗試使用python讀取RSS提要。我用feedparser，和它運作良好，爲每個供稿，除了一個：https://www.frenchweb.fr/feed

import feedparser 
feed = feedparser.parse("https://www.frenchweb.fr/feed") 
print(feed) 

輸出：

{ 
    'feed': {}, 
    'entries': [], 
    'bozo': 1, 
    'headers': { 
    'Date': 'Mon, 09 Oct 2017 08:04:31 GMT', 
    'Server': 'Apache', 
    'Vary': 'Cookie,Accept-Encoding', 
    'Expires': 'Thu, 19 Nov 1981 08:52:00 GMT', 
    'Cache-Control': 'no-store, no-cache, must-revalidate, post-check=0, pre-check=0', 
    'Pragma': 'no-cache', 
    'ETag': '"2be89b4a462dd6d1652745b6e69cfdac"', 
    'X-UA-Compatible': 'IE=edge', 
    'Link': '<https://www.frenchweb.fr/wp-json/>; rel="https://api.w.org/"', 
    'Content-Encoding': 'gzip', 
    'Content-Length': '13440', 
    'Connection': 'close', 
    'Content-Type': 'application/rss+xml; charset="UTF-8"' 
    }, 
    'etag': '"2be89b4a462dd6d1652745b6e69cfdac"', 
    'href': 'https://www.frenchweb.fr/feed', 
    'status': 200, 
    'encoding': 'UTF-8', 
    'version': '', 
    'bozo_exception': SAXParseException('XML or text declaration not at start of entity',), 
    'namespaces': {} 
} 

如果在相同的代碼，我只是做了簡單的GET，它的作品，我看內容：

web_page = requests.get(url, headers=headers, allow_redirects=True) 
soup = BeautifulSoup(web_page.content, "html.parser") 
print(soup) 

輸出：

<?xml version="1.0" encoding="UTF-8"?><rss version="2.0" 
    xmlns:atom="http://www.w3.org/2005/Atom" 
    xmlns:content="http://purl.org/rss/1.0/modules/content/" 
    xmlns:dc="http://purl.org/dc/elements/1.1/" 
    xmlns:media="http://search.yahoo.com/mrss/" 
    xmlns:slash="http://purl.org/rss/1.0/modules/slash/" 
    xmlns:sy="http://purl.org/rss/1.0/modules/syndication/" 
    xmlns:wfw="http://wellformedweb.org/CommentAPI/"> 
<channel> 
<title>FrenchWeb.fr</title> 
... 

任何線索？

Answer 1

該提要無效：在文件的開頭有一個換行符。如果您在文本編輯器下載它，你可以看到它：

1 
2 <?xml version="1.0" encoding="UTF-8"?><rss version="2.0" 
3  xmlns:content="http://purl.org/rss/1.0/modules/content/" 
4  xmlns:wfw="http://wellformedweb.org/CommentAPI/" 
5 [...] 

這是因爲XML declaration must be on the first line一個問題。

如果你刪除第一個換行符，它的工作原理！

{'bozo': 0, 
'encoding': 'utf-8', 
'entries': [{'author': 'FrenchWeb', 
       'author_detail': {'name': 'FrenchWeb'}, 
       'authors': [{'name': 'FrenchWeb'}], 
       'comments': 'https://www.frenchweb.fr/barometre-annuel-de-lexperience-utilisateur-par-kameleoon/305311#respond', 
       'guidislink': False, 
[...] 

編輯溶液

可以刪除第一個換行符這樣的：

import feedparser 
import requests 

url = "https://www.frenchweb.fr/feed" 
headers = [] 
web_page = requests.get(url, headers=headers, allow_redirects=True) 
content = web_page.content.strip() # drop the first newline (if any) 
feed = feedparser.parse(content)