0

Mechanize/BeautifulSoup を使用して、スクリプトで URL のリストを調べて開きます。

しかし、私はこのエラーが発生しています:

File "/System/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/httplib.py", line 718, in _set_hostport
    raise InvalidURL("nonnumeric port: '%s'" % host[i+1:])
httplib.InvalidURL: nonnumeric port: ''

これは、次のコード行で発生します。

page = mechanize.urlopen(req)

以下は私のコードです。私が間違っていることへの洞察はありますか？URL の多くは機能しますが、このエラー メッセージが表示されるのは特定の URL にヒットしたときなので、理由はわかりません。

from mechanize import Browser
from BeautifulSoup import BeautifulSoup
import re, os
import shutil
import mechanize
import urllib2
import sys
reload(sys)
sys.setdefaultencoding("utf-8")

mech = Browser()
linkfile = open ("links.txt")
urls = []
while 1:
    url = linkfile.readline()
    urls.append("%s" % linkfile.readline())
    if not url:
        break

for url in urls:
    if "http://" or "https://" not in url: 
        url = "http://" + url
    elif "..." in url:
    elif ".pdf" in url:
        #print "this is a pdf -- at some point we should save/log these"
        continue
    elif len (url) < 8:
        continue
    req = mechanize.Request(url)
    req.add_header('Accept', 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8')
    req.add_header('User-Agent', 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.8; rv:17.0) Gecko/20100101 Firefox/17.0')
    req.add_header('Accept-Language', 'Accept-Language  en-US,en;q=0.5')
    try:
        page = mechanize.urlopen(req)
    except urllib2.HTTPError, e:
        print "there was an error opening the URL, logging it"
        print e.code
        logfile = open ("log/urlopenlog.txt", "a")
        logfile.write(url + "," + "couldn't open this page" + "\n")
        pass
4

1 に答える 1

1

このコードは

if "http://" or "https://" not in url:

あなたが望むこと（またはあなたがそれがするだろうと思うこと）をしていない。

if "http://"

は常にtrueと評価されるため、URLにプレフィックスが付けられることはありません。（たとえば）次のように書き直す必要があります。

if "https://" not in url and "http://" not in url:

さらに、私があなたの作品のテストを始めたので：

urls = []
while 1:
    url = linkfile.readline()
    urls.append("%s" % linkfile.readline())
    if not url:
        break

これにより、実際にはURLファイルが正しく読み取られず、2行ごとに読み込まれるようになります。おそらく、次のように読み取ります。

urls = []
while 1:
    url = linkfile.readline()
    if not url:
        break
    urls.append("%s" % url)

その理由は、linkfile.readline()2回呼び出して、2行を読み取り、2行ごとにのみリストに保存するように強制するためです。

また、ifリストの最後に空のエントリが入らないように、句を追加する前に配置する必要があります。

しかし、あなたの特定のURLの例は私にとってはうまくいきます。詳細については、おそらくリンクファイルが必要です。

于 2013-01-01T16:22:46.027 に答える