Question

我写了一个脚本来查找SO问题中的拼写错误＆＃39;标题。我用了大约一个月。这个工作正常。

但是现在，当我尝试运行它时，我得到了它。

Traceback (most recent call last):
  File "copyeditor.py", line 32, in <module>
    find_bad_qn(i)
  File "copyeditor.py", line 15, in find_bad_qn
    html = urlopen(url)
  File "/usr/lib/python3.4/urllib/request.py", line 161, in urlopen
    return opener.open(url, data, timeout)
  File "/usr/lib/python3.4/urllib/request.py", line 469, in open
    response = meth(req, response)
  File "/usr/lib/python3.4/urllib/request.py", line 579, in http_response
    'http', request, response, code, msg, hdrs)
  File "/usr/lib/python3.4/urllib/request.py", line 507, in error
    return self._call_chain(*args)
  File "/usr/lib/python3.4/urllib/request.py", line 441, in _call_chain
    result = func(*args)
  File "/usr/lib/python3.4/urllib/request.py", line 587, in http_error_default
    raise HTTPError(req.full_url, code, msg, hdrs, fp)
urllib.error.HTTPError: HTTP Error 404: Not Found

这是我的代码

import json
from urllib.request import urlopen
from bs4 import BeautifulSoup
from enchant import DictWithPWL
from enchant.checker import SpellChecker

my_dict = DictWithPWL("en_US", pwl="terms.dict")
chkr = SpellChecker(lang=my_dict)
result = []


def find_bad_qn(a):
    url = "https://stackoverflow.com/questions?page=" + str(a) + "&sort=active"
    html = urlopen(url)
    bsObj = BeautifulSoup(html, "html5lib")
    que = bsObj.find_all("div", class_="question-summary")
    for div in que:
        link = div.a.get('href')
        name = div.a.text
        chkr.set_text(name.lower())
        list1 = []
        for err in chkr:
            list1.append(chkr.word)
        if (len(list1) > 1):
            str1 = ' '.join(list1)
            result.append({'link': link, 'name': name, 'words': str1})


print("Please Wait.. it will take some time")
for i in range(298314,298346):
    find_bad_qn(i)
for qn in result:
    qn['link'] = "https://stackoverflow.com" + qn['link']
for qn in result:
    print(qn['link'], " Error Words:", qn['words'])
    url = qn['link']

更新

这是导致问题的网址。即使此网址存在。

https://stackoverflow.com/questions?page=298314&sort=active

我尝试将范围更改为更低的值。现在工作正常。

为什么上述网址会发生这种情况？

Answer 1

显然，每页的默认显示问题数为50，因此您在循环中定义的范围超出了每页50个问题的可用页数。范围应适应在每页50个问题的总页数内。

此代码将捕获404错误，这是您收到错误的原因，并在您超出范围时忽略它。

from urllib.request import urlopen

def find_bad_qn(a):
    url = "https://stackoverflow.com/questions?page=" + str(a) + "&sort=active"
    try:
        urlopen(url)
    except:
        pass

print("Please Wait.. it will take some time")
for i in range(298314,298346):
    find_bad_qn(i)

Answer 2

我有完全相同的问题。我想使用urllib获取的url存在，并且可以使用常规浏览器访问，但是urllib告诉我404。

对我来说，解决方案不是使用urllib：

import requests
requests.get(url)

这对我有用。

Answer 3

默认的“用户代理”似乎没有Mozilla那样多的访问权限。

尝试导入请求，并将, headers={'User-Agent': 'Mozilla/5.0'}附加到网址末尾。

即：

from urllib.request import Request, urlopen    
url = "https://stackoverflow.com/questions?page=" + str(a) + "&sort=active"    
req = Request(url, headers={'User-Agent': 'Mozilla/5.0'})    
html = urlopen(req)

Answer 4

这是因为网址不存在，请重新检查您的网址。我在重新检查时也遇到了同样的问题，我发现我的 URL 不正确，然后我更改了它

Python：urllib.error.HTTPError：HTTP错误404：未找到

4 个答案: