玩轉python爬蟲之URLError異常處理
這篇文章主要介紹了python爬蟲的URLError異常處理，詳細探尋一下URL\HTTP異常處理的相關內容，通過一些具體的實例來分析一下，非常的簡單，但是卻很實用，感興趣的小夥伴們可以參考一下
本節在這裏主要說的是URLError還有HTTPError，以及對它們的一些處理。
1.URLError
首先解釋下URLError可能產生的原因：
- 網絡無連接，即本機無法上網
- 連接不到特定的服務器
- 服務器不存在
在代碼中，我們需要用try-except語句來包圍並捕獲相應的異常。下面是一個例子，先感受下它的風騷
?| 1 2 3 4 5 6 7 |
import urllib2
requset = urllib2.Request(‘http://www.xxxxx.com‘)
try:
urllib2.urlopen(requset)
except urllib2.URLError, e:
print e.reason
|
我們利用了 urlopen方法訪問了一個不存在的網址，運行結果如下：
?| 1 |
[Errno 11004] getaddrinfo failed
|
它說明了錯誤代號是11004，錯誤原因是 getaddrinfo failed
2.HTTPError
HTTPError是URLError的子類，在你利用urlopen方法發出一個請求時，服務器上都會對應一個應答對象response，其中它包含一個數字”狀態碼”。舉個例子，假如response是一個”重定向”，需定位到別的地址獲取文檔，urllib2將對此進行處理。
其他不能處理的，urlopen會產生一個HTTPError，對應相應的狀態嗎，HTTP狀態碼表示HTTP協議所返回的響應的狀態。下面將狀態碼歸結如下：
- 100：繼續 客戶端應當繼續發送請求。客戶端應當繼續發送請求的剩余部分，或者如果請求已經完成，忽略這個響應。
- 101： 轉換協議 在發送完這個響應最後的空行後，服務器將會切換到在Upgrade 消息頭中定義的那些協議。只有在切換新的協議更有好處的時候才應該采取類似措施。
- 102：繼續處理 由WebDAV（RFC 2518）擴展的狀態碼，代表處理將被繼續執行。
- 200：請求成功 處理方式：獲得響應的內容，進行處理
- 201：請求完成，結果是創建了新資源。新創建資源的URI可在響應的實體中得到 處理方式：爬蟲中不會遇到
- 202：請求被接受，但處理尚未完成 處理方式：阻塞等待
- 204：服務器端已經實現了請求，但是沒有返回新的信 息。如果客戶是用戶代理，則無須為此更新自身的文檔視圖。 處理方式：丟棄
- 300：該狀態碼不被HTTP/1.0的應用程序直接使用， 只是作為3XX類型回應的默認解釋。存在多個可用的被請求資源。 處理方式：若程序中能夠處理，則進行進一步處理，如果程序中不能處理，則丟棄
- 301：請求到的資源都會分配一個永久的URL，這樣就可以在將來通過該URL來訪問此資源 處理方式：重定向到分配的URL
- 302：請求到的資源在一個不同的URL處臨時保存 處理方式：重定向到臨時的URL
- 304：請求的資源未更新 處理方式：丟棄
- 400：非法請求 處理方式：丟棄
- 401：未授權 處理方式：丟棄
- 403：禁止 處理方式：丟棄
- 404：沒有找到 處理方式：丟棄
- 500：服務器內部錯誤 服務器遇到了一個未曾預料的狀況，導致了它無法完成對請求的處理。一般來說，這個問題都會在服務器端的源代碼出現錯誤時出現。
- 501：服務器無法識別 服務器不支持當前請求所需要的某個功能。當服務器無法識別請求的方法，並且無法支持其對任何資源的請求。
- 502：錯誤網關 作為網關或者代理工作的服務器嘗試執行請求時，從上遊服務器接收到無效的響應。
- 503：服務出錯 由於臨時的服務器維護或者過載，服務器當前無法處理請求。這個狀況是臨時的，並且將在一段時間以後恢復。
HTTPError實例產生後會有一個code屬性，這就是是服務器發送的相關錯誤號。
因為urllib2可以為你處理重定向，也就是3開頭的代號可以被處理，並且100-299範圍的號碼指示成功，所以你只能看到400-599的錯誤號碼。
下面我們寫一個例子來感受一下，捕獲的異常是HTTPError，它會帶有一個code屬性，就是錯誤代號，另外我們又打印了reason屬性，這是它的父類URLError的屬性。
?| 1 2 3 4 5 6 7 8 |
import urllib2
req = urllib2.Request(‘http://blog.csdn.net/cqcre‘)
try:
urllib2.urlopen(req)
except urllib2.HTTPError, e:
print e.code
print e.reason
|
運行結果如下
?| 1 2 |
403
Forbidden
|
錯誤代號是403，錯誤原因是Forbidden，說明服務器禁止訪問。
我們知道，HTTPError的父類是URLError，根據編程經驗，父類的異常應當寫到子類異常的後面，如果子類捕獲不到，那麽可以捕獲父類的異常，所以上述的代碼可以這麽改寫
?| 1 2 3 4 5 6 7 8 9 10 11 |
import urllib2
req = urllib2.Request(‘http://blog.csdn.net/cqcre‘)
try:
urllib2.urlopen(req)
except urllib2.HTTPError, e:
print e.code
except urllib2.URLError, e:
print e.reason
else:
print "OK"
|
如果捕獲到了HTTPError，則輸出code，不會再處理URLError異常。如果發生的不是HTTPError，則會去捕獲URLError異常，輸出錯誤原因。
另外還可以加入 hasattr屬性提前對屬性進行判斷，代碼改寫如下
?| 1 2 3 4 5 6 7 8 9 10 11 12 |
import urllib2
req = urllib2.Request(‘http://blog.csdn.net/cqcre‘)
try:
urllib2.urlopen(req)
except urllib2.URLError, e:
if hasattr(e,"code"):
print e.code
if hasattr(e,"reason"):
print e.reason
else:
print "OK"
|
首先對異常的屬性進行判斷，以免出現屬性輸出報錯的現象。
以上，就是對URLError和HTTPError的相關介紹，以及相應的錯誤處理辦法
玩轉python爬蟲之URLError異常處理