为了账号安全,请及时绑定邮箱和手机立即绑定

检查了好多遍,还是出现这个问题while self.urls.has_new_url(): ^ SyntaxError: invalid character in identifier,麻烦大家解决一下,多谢啦~

spider_main.py程序代码如下:
#coding:utf8
import urllib2
import urllib.request
from bs4 import BeautifulSoup # 很好用的解析器
import re # 很容易遗漏,即使漏掉程序也不报错,很隐蔽
from baike_spider import url_manager,html_downloader,html_parser,html_outputer
class SpiderMain(object):
    def __init__(self):#初始化各个对象
        self.urls=url_manager.UrlManager()
        self.downloader=html_downloader.HtmlDownloader()
        self.parser=html_parser.HtmlParser()#解析器
        self.outputer=html_outputer.HtmlOutputer()

    def craw(self,root_url):#爬虫的调用程序
        count=1
        self.urls.add_new_url(root_url)
        while self.urls.has_new_url():
            try:
                new_url=self.urls.get_new_url()
                print ('craw %d :%s'% (count,new_url))
                html_cont=self.downloader.download(new_url)
                new_urls,new_data=self.parser.parse(new_url,html_cont)
                self.urls.add_new_urls(new_urls)
                self.outputer.collect_data(new_data)
                if count==100:
                    break
                count += 1
            except:
                print ('crawl failed')
         self.outputer.output_html()
if __name__=="__main__": # 初始化程序
    root_url="http://baike.baidu.com/view/21087.htm"
    obj_spider=SpiderMain()
    obj_spider.craw(root_url)
    
url_manager.py代码如下:
#coding:utf8
import urllib2
import urllib.request
from bs4 import BeautifulSoup # 很好用的解析器
import re # 很容易遗漏,即使漏掉程序也不报错,很隐蔽

class UrlManager(object):
    def __init__(self):
        self.new_urls=set()
        self.old_urls = set()
    def add_new_url(self,url):
        if url is None:
            return
        if url not in self.new_urls and url not in self.old_urls:
            self.new_urls.add(url)
    def add_new_urls(self,urls):
        if urls is None or len(urls)==0:
            return
        for url in urls:
            self.add_new_url(url)

    # 判断是否还有没有爬取的url,返回bool值
    def has_new_url(self):
        return len(self.new_urls)!=0
    def get_new_url(self):
        new_url=self.new_urls.pop()# pop用的极好,不仅取得了数据,而且将元素从set()中删除
        self.old_urls.add(new_url)
        return new_url


正在回答

2 回答

while self.urls.has_new_url()后面的‘:’,是不是用了中文格式的‘:’


0 回复 有任何疑惑可以回复我~

这应该是缩进的问题,看格式化一下行不,不行的话那就只能手动调整每一行代码的缩进咯

0 回复 有任何疑惑可以回复我~

举报

0/150
提交
取消
Python开发简单爬虫
  • 参与学习       227575    人
  • 解答问题       1288    个

本教程带您解开python爬虫这门神奇技术的面纱

进入课程

检查了好多遍,还是出现这个问题while self.urls.has_new_url(): ^ SyntaxError: invalid character in identifier,麻烦大家解决一下,多谢啦~

我要回答 关注问题
微信客服

购课补贴
联系客服咨询优惠详情

帮助反馈 APP下载

慕课网APP
您的移动学习伙伴

公众号

扫描二维码
关注慕课网微信公众号