1

私は、おいしいものからURLを取得し、それらのURLを使用して関連するフィードを検出するものに取り組んでいます。

ただし、deliciousのブックマークの一部はhtmlリンクではなく、BSがバーフする原因になります。基本的に、BSがリンクをフェッチし、それがhtmlのように見えない場合は、リンクを破棄したいと思います。

今、これは私が得ているものです。

trillian:Documents jauderho$ ./d2o.py "green data center" 
processing http://www.greenm3.com/
processing http://www.eweek.com/c/a/Green-IT/How-to-Create-an-EnergyEfficient-Green-Data-Center/?kc=rss
Traceback (most recent call last):
  File "./d2o.py", line 53, in <module>
    get_feed_links(d_links)
  File "./d2o.py", line 43, in get_feed_links
    soup = BeautifulSoup(html)
  File "/Library/Python/2.5/site-packages/BeautifulSoup.py", line 1499, in __init__
    BeautifulStoneSoup.__init__(self, *args, **kwargs)
  File "/Library/Python/2.5/site-packages/BeautifulSoup.py", line 1230, in __init__
    self._feed(isHTML=isHTML)
  File "/Library/Python/2.5/site-packages/BeautifulSoup.py", line 1263, in _feed
    self.builder.feed(markup)
  File "/System/Library/Frameworks/Python.framework/Versions/2.5/lib/python2.5/HTMLParser.py", line 108, in feed
    self.goahead(0)
  File "/System/Library/Frameworks/Python.framework/Versions/2.5/lib/python2.5/HTMLParser.py", line 150, in goahead
    k = self.parse_endtag(i)
  File "/System/Library/Frameworks/Python.framework/Versions/2.5/lib/python2.5/HTMLParser.py", line 314, in parse_endtag
    self.error("bad end tag: %r" % (rawdata[i:j],))
  File "/System/Library/Frameworks/Python.framework/Versions/2.5/lib/python2.5/HTMLParser.py", line 115, in error
    raise HTMLParseError(message, self.getpos())
HTMLParser.HTMLParseError: bad end tag: u'</b  />', at line 739, column 1

アップデート：

Jehiahの答えはトリックを行います。参考までに、コンテンツタイプを取得するためのコードを次に示します。

def check_for_html(link):
    out = urllib.urlopen(link)
    return out.info().getheader('Content-Type')
4

1 に答える 1

3

HTMLParser.HTMLParseErrorBeautifulSoup 処理をラップして、例外を探すだけです。

import HTMLParser,BeautifulSoup
try:
    soup = BeautifulSoup.BeautifulSoup(raw_html)
    for a in soup.findAll('a'):
        href = a.['href']
        ....
except HTMLParser.HTMLParseError:
    print "failed to parse",url

さらに、ページをクロールするときに応答のコンテンツ タイプをチェックし、解析を試みる前に、それが何かtext/htmlまたはそのようなものであることを確認できます。application/xml+xhtmlこれにより、ほとんどのエラーが回避されるはずです。

于 2009-01-17T06:20:54.460 に答える