本帖最后由 lb971216008 于 2016-8-21 17:15 编辑
欢迎一起学python爬虫先来说一说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HTTPURLs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： 1. import urllib2 2. 3. req = urllib2.Request('http://www.baibai.com') 4. 5. try: urllib2.urlopen(req) 6. 7. except urllib2.URLError, e: 8. 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： 1. import urllib2 2. req = urllib2.Request('http://bbs.csdn.net/callmewhy') 3. 4. try: 5. urllib2.urlopen(req) 6. 7. except urllib2.URLError, e: 8. 9. print e.code 10. #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： 1. from urllib2 import Request, urlopen, URLError, HTTPError 2. 3. req = Request('http://bbs.csdn.net/callmewhy') 4. 5. try: 6. 7. response = urlopen(req) 8. 9. except HTTPError, e: 10. 11. print 'The server couldn\'t fulfill the request.' 12. 13. print 'Error code: ', e.code 14. 15. except URLError, e: 16. 17. print 'We failed to reach a server.' 18. 19. print 'Reason: ', e.reason 20. 21. else: 22. print 'No exception was raised.' 23. # 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： 1. from urllib2 import Request, urlopen, URLError, HTTPError 2. 3. req = Request('http://bbs.csdn.net/callmewhy') 4. 5. try: 6. 7. response = urlopen(req) 8. 9. except URLError, e: 10. 11. if hasattr(e, 'code'): 12. 13. print 'The server couldn\'t fulfill the request.' 14. 15. print 'Error code: ', e.code 16. 17. elif hasattr(e, 'reason'): 18. 19. print 'We failed to reach a server.' 20. 21. print 'Reason: ', e.reason 22. 23. 24. else: 25. print 'No exception was raised.' 26. # everything is fine
| 
( 粤ICP备18085999号-1 | 粤公网安备 44051102000585号)
狗仔卡
楼主
显身卡
怎么可以这样子
发表于 2016-8-21 19:29:19
发表于 2016-11-28 20:59:29
