history.md → CHANGELOG.md

 # 历史记录
 
+v2022.5.30.0
+
++   修复带有 XML 标签的文档爬取失败的问题
+
 v2022.3.25.0
 
 +   新增缓存功能

EpubCrawler/__init__.py

@@ -10,4 +10,4 @@ from . import util
 __author__ = "ApacheCN"
 __email__ = "apachecn@163.com"
 __license__ = "SATA"
-__version__ = "2022.3.25.0"
+__version__ = "2022.5.30.0"

EpubCrawler/__main__.py

@@ -65,6 +65,9 @@ def get_toc(html, base):
     return res
     
 def get_article(html, url):
+    # 预处理掉 XML 声明和命名空间
+    html = re.sub(r'<\?xml[^>]*\?>', '', html)
+    html = re.sub(r'xmlns=".+?"', '', html)
     root = pq(html)
     
     if config['remove']: