[Python]网络爬虫（三）：异常的处理和HTTP状态码的分类

先来说一说HTTP的异常处理问题。

当urlopen不能够处理一个response时，产生urlError。

不过通常的Python APIs异常如ValueError,TypeError等也会同时产生。

HTTPError是urlError的子类，通常在特定HTTP URLs中产生。



1.URLError

通常，URLError在没有网络连接(没有路由到特定服务器)，或者服务器不存在的情况下产生。

这种情况下，异常同样会带有"reason"属性，它是一个tuple（可以理解为不可变的数组），

包含了一个错误号和一个错误信息。

我们建一个urllib2_test06.py来感受一下异常的处理：

import urllib2

req = urllib2.Request('http://www.baibai.com')  

try: urllib2.urlopen(req)   

except urllib2.URLError, e:    

print e.reason

按下F5，可以看到打印出来的内容是：

[Errno 11001] getaddrinfo failed

也就是说，错误号是11001，内容是getaddrinfo failed

2.HTTPError

服务器上每一个HTTP 应答对象response包含一个数字"状态码"。

有时状态码指出服务器无法完成请求。默认的处理器会为你处理一部分这种应答。

例如:假如response是一个"重定向"，需要客户端从别的地址获取文档，urllib2将为你处理。

其他不能处理的，urlopen会产生一个HTTPError。

典型的错误包含"404"(页面无法找到)，"403"(请求禁止)，和"401"(带验证请求)。

HTTP状态码表示HTTP协议所返回的响应的状态。

比如客户端向服务器发送请求，如果成功地获得请求的资源，则返回的状态码为200，表示响应成功。

如果请求的资源不存在， 则通常返回404错误。

HTTP状态码通常分为5种类型，分别以1～5五个数字开头，由3位整数组成：

------------------------------------------------------------------------------------------------

200：请求成功 处理方式：获得响应的内容，进行处理

201：请求完成，结果是创建了新资源。新创建资源的URI可在响应的实体中得到 处理方式：爬虫中不会遇到

202：请求被接受，但处理尚未完成 处理方式：阻塞等待

204：服务器端已经实现了请求，但是没有返回新的信 息。如果客户是用户代理，则无须为此更新自身的文档视图。 处理方式：丢弃

300：该状态码不被HTTP/1.0的应用程序直接使用， 只是作为3XX类型回应的默认解释。存在多个可用的被请求资源。 处理方式：若程序中能够处理，则进行进一步处理，如果程序中不能处理，则丢弃

301：请求到的资源都会分配一个永久的URL，这样就可以在将来通过该URL来访问此资源 处理方式：重定向到分配的URL

302：请求到的资源在一个不同的URL处临时保存 处理方式：重定向到临时的URL

304 请求的资源未更新 处理方式：丢弃

400 非法请求 处理方式：丢弃

401 未授权 处理方式：丢弃

403 禁止 处理方式：丢弃

404 没有找到 处理方式：丢弃

5XX 回应代码以“5”开头的状态码表示服务器端发现自己出现错误，不能继续执行请求 处理方式：丢弃

HTTPError实例产生后会有一个整型'code'属性，是服务器发送的相关错误号。

Error Codes错误码

因为默认的处理器处理了重定向(300以外号码)，并且100-299范围的号码指示成功，所以你只能看到400-599的错误号码。

BaseHTTPServer.BaseHTTPRequestHandler.response是一个很有用的应答号码字典，显示了HTTP协议使用的所有的应答号。

当一个错误号产生后，服务器返回一个HTTP错误号，和一个错误页面。

你可以使用HTTPError实例作为页面返回的应答对象response。

这表示和错误属性一样，它同样包含了read,geturl,和info方法。

我们建一个urllib2_test07.py来感受一下：

双击代码全选

1 2 3 4 5 6 7 8 9 10

import urllib2 req = urllib2.Request('http://bbs.csdn.net/callmewhy') try: urllib2.urlopen(req) except urllib2.URLError, e: print e.code #print e.read()

按下F5可以看见输出了404的错误码，也就说没有找到这个页面。



3.Wrapping

所以如果你想为HTTPError或URLError做准备，将有两个基本的办法。推荐使用第二种。

我们建一个urllib2_test08.py来示范一下第一种异常处理的方案：

from urllib2 import Request, urlopen, URLError, HTTPError 

      

req = Request('http://bbs.csdn.net/callmewhy') 

      

try: 

      

    response = urlopen(req) 

      

except HTTPError, e: 

      

    print 'The server couldn't fulfill the request.'

      

    print 'Error code: ', e.code 

      

except URLError, e: 

      

    print 'We failed to reach a server.'

      

    print 'Reason: ', e.reason 

      

else: 

    print 'No exception was raised.'

    # everything is fine

和其他语言相似，try之后捕获异常并且将其内容打印出来。

这里要注意的一点，except HTTPError 必须在第一个，否则except URLError将同样接受到HTTPError 。

因为HTTPError是URLError的子类，如果URLError在前面它会捕捉到所有的URLError（包括HTTPError ）。

我们建一个urllib2_test09.py来示范一下第二种异常处理的方案：

from urllib2 import Request, urlopen, URLError, HTTPError 

      

req = Request('http://bbs.csdn.net/callmewhy') 

        

try:   

        

    response = urlopen(req)   

        

except URLError, e:   

        

    if hasattr(e, 'reason'):   

        

        print 'We failed to reach a server.'

        

        print 'Reason: ', e.reason   

        

    elif hasattr(e, 'code'):   

        

        print 'The server couldn't fulfill the request.'

        

        print 'Error code: ', e.code   

        

else:   

    print 'No exception was raised.'

    # everything is fine