SGMLParseError: unexpected ',' char in declaration错误,解决:scrapy添加下载中间件

用scrapy写爬虫的时候,出现错误
SGMLParseError: unexpected ',' char in declaration
检查了代码,发现没问题,于是用bing搜了一下,没有国内的资料,只有国外的,
http://computer-programming-forum.com/56-python/8a28baf87155c619.htm

I'm guessing there's a comment in your HTML files that is spelled like this: <! -- blah blah blah : blah blah blah -- >
I'm not an expert in SGML, but I do know that it has an oft misunderstood definition of a comment. I think the above is a valid comment, but SGMLlib (of course) doesn't parse it right, resulting in your error.
The other possibility is your file has one of those silly <!DOCTYPE "blah blah blah"> things at the top that no one knows what the hell it is. Maybe it erroneously (in the opinion of SGMLlib) has a colon in it.

-- CARL BANKS

提到<!DOCTYPE 中包涵非法字符,于是自己根据报错的提示,找到文件makeupbase.py
看到报错的函数,然后发现

 # Internal -- parse declaration (for use by subclasses).
    def parse_declaration(self, i):
        # This is some sort of declaration; in "HTML as
        # deployed," this should only be the document type
        # declaration ("<!DOCTYPE html...>").
        # ISO 8879:1986, however, has more complex
        # declaration syntax for elements in <!...>, including:
        # --comment--
        # [marked section]
        # name in the following list: ENTITY, DOCTYPE, ELEMENT,
        # ATTLIST, NOTATION, SHORTREF, USEMAP,
        # LINKTYPE, LINK, IDLINK, USELINK, SYSTEM
      。。。
      self.error(    "unexpected %r char in declaration" % rawdata[j])

接着查了一下抓取的网页,果然有一个<!DOCTYPE,html>

<a href="http://www.xxx.com/yyy/76166_1" target="_blank" rel="nofollow" data-link="1" data-tdj="1" lang="<!DOCTYPE,html><html,lang=" zh-cn="" h1="" class="website" form="" id="authorization" action="/account/logon" method="post" label="" for="unbox" span="" input="" type="text" name="username" button="" amp="" nbsp="" script="" src="http://www.xxx.com/yyy/76166_1" sethightline="">猎豹浏览器点我》》</a>

于是打算处理一下,由于是这个页面是scrapy自己分析的,然后通过rules判断是否给我,那么久需要在scrapy下载到网页的时候就处理一下,把这个非法字符串给删掉,
最后结果,添加一个下载中间件,通过process_response处理

#在setting里面加上代码,配置一下自己的下载器中间件

DOWNLOADER_MIDDLEWARES = {
    'discountSpider.middlewares.CustomDownloaderMiddleware': 400,
    'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware': None,
}

#middlewares.py的代码
#实现process_response,下载器下载完毕网页后,就会经过这个函数,我们可以修改网页内容
class CustomDownloaderMiddleware(object):
    #下载器即将开始请求,修改爬虫request中默认的User-Agent,防止被识别
    def process_request(self,request,spider):
        ua = "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 "
        request.headers.setdefault('User-Agent', ua)

    #下载器将文档下载完毕后,有的需要在这里来一些处理
    def process_response(self,request, response, spider):
        print 'process_response:'+response.url
        #xxx.com的某些列表页面会出现<!DOCTYPE,html>之类的字符串,里面有DOCTYPE非法的,:之类的符号,导致SGMLParse模块解析错误,抛出异常
        if response.url.find('xxx.com/page')>=0 or response.url.find('xxx.com/1-0-a-0-0/p')>=0:
            #lang="<!DOCTYPE,html>
            newbody = response.body.replace('lang="<!DOCTYPE,html>','lang="')
            response = response.replace(body=newbody)

        #必须返回一个response
        return response
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 202,723评论 5 476
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,080评论 2 379
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 149,604评论 0 335
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,440评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,431评论 5 364
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,499评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,893评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,541评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,751评论 1 296
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,547评论 2 319
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,619评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,320评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,890评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,896评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,137评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,796评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,335评论 2 342

推荐阅读更多精彩内容