ValueError:Invalid\escape:在Scrapy中将json读取为respons时

Question

在解析过程中，我得到了包含json的文本对象响应。他们看起来都很像。其中一些工作没有任何错误。但其他人则抛出如下错误。

我试着用replace('\r\n', '')和, strict=False.都没有用。

这是我从-enter link description here获得json的URL 这是我的密码。（第51行是data=json.loads）

另外，当我在scrapy shell中尝试这个url时，它会打开空的并抛出另一个错误-没有找到json文档。不知道这是否重要。

def parse_jsn(self, response):
        #inspect_response(response, self)

        data = json.loads(response.body_as_unicode())
        item = response.meta['item']
        item['text']= data[0]['bodyfull']
        yield item

这是错误代码。

ValueError: Invalid \escape: line 4 column 942 (char 945)
2017-03-25 17:21:19 [scrapy.core.scraper] ERROR: Spider error processing <GET
or.com/UserReviewController?a=mobile&r=434622632> (referer: https://www.tripa
w-g60763-d122005-Reviews-or490-The_New_Yorker_A_Wyndham_Hotel-New_York_City_N
Traceback (most recent call last):
  File "c:\python27\lib\site-packages\scrapy\utils\defer.py", line 102, in it
    yield next(it)
  File "c:\python27\lib\site-packages\scrapy\spidermiddlewares\offsite.py", l
der_output
    for x in result:
  File "c:\python27\lib\site-packages\scrapy\spidermiddlewares\referer.py", l
    return (_set_referer(r) for r in result or ())
  File "c:\python27\lib\site-packages\scrapy\spidermiddlewares\urllength.py",

    return (r for r in result or () if _filter(r))
  File "c:\python27\lib\site-packages\scrapy\spidermiddlewares\depth.py", lin
    return (r for r in result or () if _filter(r))
  File "C:\Code\Active\tripadvisor\tripadvisor\spiders\mtripad.py", line 51,
    data = json.loads(response.body_as_unicode(), strict=False)
  File "c:\python27\lib\json\__init__.py", line 352, in loads
    return cls(encoding=encoding, **kw).decode(s)
  File "c:\python27\lib\json\decoder.py", line 364, in decode
    obj, end = self.raw_decode(s, idx=_w(s, 0).end())
  File "c:\python27\lib\json\decoder.py", line 380, in raw_decode
    obj, end = self.scan_once(s, idx)
ValueError: Invalid \escape: line 4 column 579 (char 582)

Answer 1

首先，+1用于删除移动API。比从HTML中抓取要聪明得多！

实际上编码有问题，有些八进制编码的字符（[...] \074br/\076\074br/\076Best Regards,\074br/\076Emily [...]）破坏了JSON解析。要摆脱它们，请使用：

response.body.decode('unicode-escape')

数据中还有一些编码的HTML字符："“Nice clean and perfectly average”"。我建议把他们改头换面：

from HTMLParser import HTMLParser
...
json.loads(HTMLParser().unescape(response.body.decode('unicode-escape'))
...

在Python 3中：

import html 
...
json.loads(html.unescape(response.body.decode('unicode-escape')))

结果应该是：[{'title': '“Nice clean and perfectly average”', 'bodyfull': '[...] stay. <br/><br/>Best Regards,<br/>Emily Rodriguez", [...]}]

如您所见，结果中有一些HTML标记。如果要删除HTML标记，可以使用以下正则表达式：

import re
...
p = re.compile(r'<.*?>')
no_html = p.sub('', str_html))