Was ist der beste Weg, um eine schlechte Verbindung zu BeautifulSoup gegeben zu behandeln?
-
19-08-2019 - |
Frage
Ich arbeite an etwas, das in Urls von köstlich zieht und dann verwende diese URLs zugehörige Feeds zu entdecken.
Allerdings sind einige der Lesezeichen in köstlichen nicht HTML-Links und verursachen BS barf. Grundsätzlich möchte ich einen Link wegzuwerfen, wenn BS es holt und es sieht nicht so aus html.
Im Moment ist das, was ich bekomme.
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
Update:
Jehija Antwort funktioniert der Trick. Als Referenz ist hier ein Code den Inhaltstyp zu erhalten:
def check_for_html(link):
out = urllib.urlopen(link)
return out.info().getheader('Content-Type')
Lösung
ich einfach meine BeautifulSoup Verarbeitung wickeln und suchen die HTMLParser.HTMLParseError
Ausnahme
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
aber weiter als das, können Sie den Inhaltstyp der Antworten überprüfen, wenn Sie eine Seite und stellen Sie sicher, kriechen, dass es so etwas wie text/html
oder application/xml+xhtml
oder so etwas wie das ist, bevor Sie sogar versuchen, es zu analysieren. Das sollte die meisten Fehler den Kopf ab.