如何将原始不受信任的文本传递给 Python 中的 feedparser.parse 方法？

Question

我正在尝试使用 feedparser 来解析我使用 asyncio aiohttp 库下载的文本
提要文本可用HERE（大文档，因此不粘贴在这里）
feedparser.parse 方法的文档提到您不应该直接向它发送不受信任的字符串 HERE on GitHub

这是我的代码，我试图将其包装到 StringIO class

import feedparser
import io

def read():
    import os
    name = os.path.join(os.getcwd(), 'extras', 'feeds',
                        'zycrypto.com_1596955288219')
    f = open(name, "r")
    text = f.read()
    f.close()
    return text

text = read()
parsed = feedparser.parse(io.StringIO(text))
for i in parsed.entries:
    print(i.summary, '\n')

但是我一直收到这个错误

Traceback (most recent call last):
  File "./server/python/test.py", line 14, in <module>
    parsed = feedparser.parse(io.StringIO(text))
  File "/Users/zup/.local/share/virtualenvs/myapp_v3-kUGnE3_O/lib/python3.7/site-packages/feedparser.py", line 3922, in parse
    data, result['encoding'], error = convert_to_utf8(http_headers, data)
  File "/Users/zup/.local/share/virtualenvs/myapp_v3-kUGnE3_O/lib/python3.7/site-packages/feedparser.py", line 3574, in convert_to_utf8
    xml_encoding_match = RE_XML_PI_ENCODING.match(tempdata)
TypeError: cannot use a bytes pattern on a string-like object

如何将不受信任的文本传递给 Python feedparser.parse 方法以使消毒剂对其起作用？我的提要包含尚未删除的脚本标签。提前谢谢你

Answer 1

显然 feedparser.parse 内部需要一个 bytes 对象，它当前正在接收一个字符串，因为它将该对象传递给一个使用 bytes 模式的正则表达式匹配函数，并且要匹配的对象和模式需要具有相同的类型。

您可以通过将 open(..., 'r') 更改为 open(..., 'rb') 并使用 BytesIO 而不是 StringIO 来获得 bytes 对象。

Answer 2

根据@mkrieger1 的评论，这就是答案

import feedparser
import io

def read():
    import os
    name = os.path.join(os.getcwd(), 'extras', 'feeds',
                        'zycrypto.com_1596955288219')
    f = open(name, "r")
    text = f.read()
    f.close()
    return text

text = read()
parsed = feedparser.parse(io.BytesIO(bytes(text, 'utf-8')))
for i in parsed.entries:
    print(i.summary, '\n')

如何将原始不受信任的文本传递给 Python 中的 feedparser.parse 方法？

How do I pass raw untrusted text to feedparser.parse method in Python?

feedparser

sanitize

stringio

python-3.x