ufal / media-irozhlas

0 stars 0 forks source link

chybný vstupní formát polí s html elementy #20

Closed matyaskopp closed 2 years ago

matyaskopp commented 2 years ago

Vstupní data z 6.6.2022 sice obsahují html elementy ale není to původní formát, zachovány jsou elementy <p> a <h*>, ale například <div> je odstraněn.

Proto současný skript špatně identifikuje embedované twitter prvky:

<blockquote class="twitter-tweet" data-lang="en-gb">
  <p dir="ltr" lang="es">
    El Fluminense de Feira, de la Serie D brasileña, utiliza los números de las camisetas para publicitar ofertas de un supermercado. 
    <a href="https://t.co/jHlcIAtCKb">pic.twitter.com/jHlcIAtCKb</a>
  </p>— David Acebal (@dacebal) 
  <a href="https://twitter.com/dacebal/status/849967392059011073">6 April 2017</a>
</blockquote>

je ve vstupním formátu uloženo takto: <p dir=\"ltr\" lang=\"es\">El Fluminense de Feira, de la Serie D brasile\u00f1a, utiliza los n\u00fameros de las camisetas para publicitar ofertas de un supermercado. pic.twitter.com\/jHlcIAtCKb<\/p>\u2014 David Acebal (@dacebal) 6 April 2017

A ve výstupu takto:

       <p xml:id="doc-5347197.p7">El Fluminense de Feira, de la Serie D brasileña, utiliza los números de las camisetas para publicitar ofertas de un supermercado. pic.twitter.com/jHlcIAtCKb</p>
        - David Acebal (@dacebal) 6 April 2017
matyaskopp commented 2 years ago

Další texty mezi odstavcy způsobené popisky obrázků: html na webu:

<figure class="b-detail__img">
  <p class="img img--16x9"  data-text-version="Načíst obrázek">
      <a href="/fotogalerie/6675116?fid=7140570" class="img__holder img__holder--static"   >
        <img src="https://www.irozhlas.cz/sites/default/files/styles/zpravy_otvirak_velky/public/uploader/20180116_140618_180116-141801_dp.jpg?itok=E6m2j66T" alt="" />  
    </a>
  </p>
  <figcaption class="">
    Na 99. kilometru D1 směrem na Prahu se srazilo deset nákladních aut, autobus a dvě nákladní auta. | Foto: Milan Kopecký | Zdroj: Český rozhlas  
  </figcaption>
</figure>