Python2.x爬虫入门之URLError异常处理

　　大家好，本节在这里主要说的是URLError还有HTTPError，以及对它们的一些处理。

1.URLError

　　首先解释下URLError可能产生的原因：

　　（1）网络无连接，即本机无法上网

　　（2）连接不到特定的服务器

　　（3）服务器不存在

　　在代码中，我们需要用try-except语句来包围并捕获相应的异常。下面是一个例子，先感受下它的特性

import urllib2

request=urllib2.Request('http://www.xxdsaxxx.com')

try:
    urllib2.urlopen(request)
except urllib2.URLError as e:
    print(e.reason)

　　我们利用了 urlopen方法访问了一个不存在的网址，运行结果如下：

[Errno 11004] getaddrinfo failed

　　它说明了错误代号是11004，错误原因是 getaddrinfo failed

2.HTTPError

　　HTTPError是URLError的子类，在你利用urlopen方法发出一个请求时，服务器上都会对应一个应答对象response，其中它包含一个数字”状态码”。举个例子，假如response是一个”重定向”，需定位到别的地址获取文档，urllib2将对此进行处理。

　　其他不能处理的，urlopen会产生一个HTTPError，对应相应的状态吗，HTTP状态码表示HTTP协议所返回的响应的状态。下面将状态码归结如下：

　　100：继续 客户端应当继续发送请求。客户端应当继续发送请求的剩余部分，或者如果请求已经完成，忽略这个响应。

　　101： 转换协议 在发送完这个响应最后的空行后，服务器将会切换到在Upgrade 消息头中定义的那些协议。只有在切换新的协议更有好处的时候才应该采取类似措施。 　　        102：继续处理 由WebDAV（RFC 2518）扩展的状态码，代表处理将被继续执行。

　　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

　　500：服务器内部错误 服务器遇到了一个未曾预料的状况，导致了它无法完成对请求的处理。一般来说，这个问题都会在服务器端的源代码出现错误时出现。

　　501：服务器无法识别 服务器不支持当前请求所需要的某个功能。当服务器无法识别请求的方法，并且无法支持其对任何资源的请求。

　　502：错误网关 作为网关或者代理工作的服务器尝试执行请求时，从上游服务器接收到无效的响应。

　　503：服务出错 由于临时的服务器维护或者过载，服务器当前无法处理请求。这个状况是临时的，并且将在一段时间以后恢复。

　　HTTPError实例产生后会有一个code属性，这就是是服务器发送的相关错误号。 因为urllib2可以为你处理重定向，也就是3开头的代号可以被处理，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。

　　下面我们写一个例子来感受一下，捕获的异常是HTTPError，它会带有一个code属性，就是错误代号，另外我们又打印了reason属性，这是它的父类URLError的属性。

import urllib2
req=urllib2.Request('http://blog.csdn.net/cqcre')
try:
    urllib2.urlopen(req)
except urllib2.HTTPError as e:
    print(e.code)
    print(e.reason)

　　运行结果如下

 

403
Forbidden

 

　　错误代号是403，错误原因是Forbidden，说明服务器禁止访问。

　　我们知道，HTTPError的父类是URLError，根据编程经验，父类的异常应当写到子类异常的后面，如果子类捕获不到，那么可以捕获父类的异常，所以上述的代码可以这么改写

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")

　　如果捕获到了HTTPError，则输出code，不会再处理URLError异常。如果发生的不是HTTPError，则会去捕获URLError异常，输出错误原因。

　　另外还可以加入 hasattr属性提前对属性进行判断，代码改写如下

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")

 

　　首先对异常的属性进行判断，以免出现属性输出报错的现象。 以上，就是对URLError和HTTPError的相关介绍，以及相应的错误处理办法，以上异常处理，在Python2.X上测试通过，Python3.x有些许变化，请测试后使用。

　　转载整理自：静觅 » Python爬虫入门五之URLError异常处理