0

现在我正在使用 python 编写一个网络爬虫，但有时它会抛出 HTMLParserError：

junk characters in start tag: u'\u201dTPL_password_1\u201d\r\n\t\t', at line 21285, column 6

它说错误出现在第 21285 行，是否意味着错误出现在 HTML 源代码的第 21285 行？如果没有，我怎么知道当前产生错误的 HTML 代码是什么？当前的解析网址是什么？

我的解析类可以简化如下：

class ParsePage(HTMLParser):

    """Parse the given page content using HTMLParser"""

    def __init__(self):
        HTMLParser.__init__(self)

    def handle_starttag(self, tag, attrs):

        #Here i tried to add `try...expect` to inspect the current tag and attrs, but it seems python didnt enter the except at all, why? the error message said the error was found at start tag, why it didnt enter the except at all?

        try:
            Some codes doing with the start tag...
        except HTMLParser.HTMLParseError, e:
            print "e: ", e, '\n' 
            print 'tag: ', tag, '\n'
            print 'attrs: ', atts, '\n'
            exit(1) 

    def handle_endtag(self, tag):
        #Some codes doing with end tags...



geturl = ParsePage()

#Here i can catch the HTMLParseError if i add `try...except` in the following line, but i dont know how to get the useful information here when i catch the exception    
geturl.feed(cur_page)

谢谢你的帮助。

4

2 回答 2

1

好吧，它告诉你发现错误的那一行。你还需要什么？

另外，URL 与此有什么关系？您将 HTML 页面作为字符串传递给feed-HTMLParser不知道它来自哪里。

于 2012-05-21T08:53:25.103 回答
0

我怎么知道产生错误的当前 HTML 代码是什么？

开始标签中的垃圾字符：u'\u201dTPL_password_1\u201d\r\n\t\t'，第 21285 行，第 6 列

当前 HTML 页面中的 html 行号 21285

当前的解析网址是什么？

你解析什么链接？

geturl.feed(cur_page)

cur_page 是您的当前页面。

于 2012-05-21T08:59:25.433 回答