- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我使用 Scrapy 编写了一个网络爬虫,抓取了一些数据来补充我目前掌握的有关几家公司的信息。在打印记录之前,我想将它们与我的旧记录进行匹配。因此,我创建了一个字典,以公司名称作为键,值是一些相关数据。我遇到的问题是编码,Test_of_company.csv 以 UTF-8 编码(我对其进行编码并在 Notepad++ 中将其转换为 UTF-8)。我不断收到异常。UnicodeDecodeError: 'utf8' 编解码器无法解码位置 67 中的字节 0xe4: 无效的连续字节。由于accumulator包含UTF-8编码,而check具有不同的编码,因此我无法匹配记录。总的来说,我认为 python-2.7 中的编码很麻烦。
scrapy项目中的管道文件
class DomainPipeline(object):
accumulator = collections.defaultdict(list)
check=collections.defaultdict(list)
def process_item(self, item, spider):
output="{0},{1},{2},{3},{4},{5},{6}".format(item['founded'],item['employee3'],item['employee2'],item['employee1'],item['rev3'],item['rev2'],item['rev1'])
self.accumulator[item['company']].append(output)
return item
def close_spider(self,spider):
root = os.getcwd()
p = os.path.join(root, 'Company_Lists', 'Test_of_company.csv')
with codecs.open(p,'r','utf-8') as f:
for line in f:
field = line.split(',')
company=str(field[1])
self.check[company.strip()].append(line)
file = open('output.txt','w')
for company,record in self.check.items():
for person in record:
for info in self.accumulator[company]:
output="{0},{1}\n".format(person.strip(),info)
file.write(output)
日志文件
2014-02-09 17:47:27+0000 [AllaBolag] INFO: Closing spider (finished)
2014-02-09 17:47:27+0000 [AllaBolag] Unhandled Error
Traceback (most recent call last):
File "C:\Anaconda\lib\site-packages\scrapy\middleware.py", line 59, in _process_parallel
return process_parallel(self.methods[methodname], obj, *args)
File "C:\Anaconda\lib\site-packages\scrapy\utils\defer.py", line 84, in process_parallel
dfds = [defer.succeed(input).addCallback(x, *a, **kw) for x in callbacks]
File "C:\Anaconda\lib\site-packages\twisted\internet\defer.py", line 306, in addCallback
callbackKeywords=kw)
File "C:\Anaconda\lib\site-packages\twisted\internet\defer.py", line 295, in addCallbacks
self._runCallbacks()
--- <exception caught here> ---
File "C:\Anaconda\lib\site-packages\twisted\internet\defer.py", line 577, in _runCallbacks
current.result = callback(current.result, *args, **kw)
File "Autotask_Prospecting\pipelines.py", line 28, in close_spider
for line in f:
File "C:\Anaconda\lib\codecs.py", line 684, in next
return self.reader.next()
File "C:\Anaconda\lib\codecs.py", line 615, in next
line = self.readline()
File "C:\Anaconda\lib\codecs.py", line 530, in readline
data = self.read(readsize, firstline=True)
File "C:\Anaconda\lib\codecs.py", line 477, in read
newchars, decodedbytes = self.decode(data, self.errors)
exceptions.UnicodeDecodeError: 'utf8' codec can't decode byte 0xe4 in position 67: invalid continuation byte
2014-02-09 17:47:27+0000 [AllaBolag] INFO: Dumping Scrapy stats:
{'downloader/request_bytes': 9699,
'downloader/request_count': 23,
'downloader/request_method_count/GET': 23,
'downloader/response_bytes': 618283,
'downloader/response_count': 23,
'downloader/response_status_count/200': 23,
'finish_reason': 'finished',
'finish_time': datetime.datetime(2014, 2, 9, 17, 47, 27, 889000),
'item_scraped_count': 10,
'log_count/DEBUG': 39,
'log_count/ERROR': 3,
'log_count/INFO': 3,
'request_depth_max': 1,
'response_received_count': 23,
'scheduler/dequeued': 23,
'scheduler/dequeued/memory': 23,
'scheduler/enqueued': 23,
'scheduler/enqueued/memory': 23,
'spider_exceptions/IndexError': 2,
'start_time': datetime.datetime(2014, 2, 9, 17, 47, 25, 428000)}
2014-02-09 17:47:27+0000 [AllaBolag] INFO: Spider closed (finished)
最佳答案
鉴于 OP 已经找到了答案,我将补充一个有用的选项来调试任何异常。
Scrapy 有一个非常有用的命令行选项,名为 --pdb
:
$ scrapy crawl -h
Usage
=====
...
Global Options
--------------
...
--pdb enable pdb on failure
例如,为了重现您的错误,我使用以下蜘蛛代码:
# file: myspider.py
# encoding: utf-8
import codecs
import tempfile
from scrapy.spider import Spider
class MyspiderSpider(Spider):
name = "myspider"
start_urls = ["http://www.example.org/"]
def parse(self, response):
filename = self._create_test_file()
with codecs.open(filename, 'r', 'utf-8') as fp:
for line in fp:
self.log(line)
def _create_test_file(self):
fp = tempfile.NamedTemporaryFile(delete=False)
fp.write(u'Westfälisch'.encode('latin1'))
return fp.name
然后使用选项 --pdb
运行蜘蛛会启动 Python Debugger当异常弹出时。下面是一个示例 session ,展示了如何找到失败的值、重现异常并找到解决方案:
$ scrapy crawl myspider --pdb
2014-02-10 13:05:53-0400 [scrapy] INFO: Scrapy 0.22.1 started (bot: myproject)
...
2014-02-10 13:05:53-0400 [myspider] DEBUG: Crawled (200) <GET http://www.example.org/> (referer: None)
Jumping into debugger for post-mortem of exception ''utf8' codec can't decode byte 0xe4 in position 5: invalid continuation byte':
> /usr/lib/python2.7/codecs.py(477)read()
-> newchars, decodedbytes = self.decode(data, self.errors)
(Pdb) print data
Westf�lisch
(Pdb) repr(data)
"'Westf\\xe4lisch'"
(Pdb) data.decode('utf8')
*** UnicodeDecodeError: 'utf8' codec can't decode byte 0xe4 in position 5: invalid continuation byte
(Pdb) data.decode('latin1')
u'Westf\xe4lisch'
关于python - UTF-8编码、字典查找,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/21660875/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!