¿Cuál es la mejor manera de manejar un enlace incorrecto dado a BeautifulSoup?

Question

Estoy trabajando en algo que extrae las URL de delicious y luego las usa para descubrir los feeds asociados.

Sin embargo, algunos de los marcadores de delicious no son enlaces html y provocan que BS vomite. Básicamente, quiero tirar un enlace si BS lo recupera y no parece html.

En este momento, esto es lo que estoy obteniendo.

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:

La respuesta de Jehiah hace el truco. Como referencia, aquí hay un código para obtener el tipo de contenido:

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

Answer 1

Simplemente envuelvo mi procesamiento BeautifulSoup y busco la HTMLParser.HTMLParseError excepción

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

pero más allá de eso, puede verificar el tipo de contenido de las respuestas cuando rastrea una página y asegurarse de que sea algo así como text / html o application / xml + xhtml o algo así incluso antes de intentar analizarlo. Eso debería evitar la mayoría de los errores.