快捷導(dǎo)航

零基礎(chǔ)寫python爬蟲之HTTP異常處理

更新時(shí)間：2014年11月05日 09:19:11 投稿：hebedich

我們?cè)谑褂门老x來抓取網(wǎng)頁內(nèi)容的時(shí)候，HTTP異常是必須要注意的一項(xiàng)，所以本文，我們來詳細(xì)探尋一下HTTP異常處理的相關(guān)內(nèi)容，通過一些具體的實(shí)例來分析一下，非常的簡單，但是卻很實(shí)用。

先來說一說HTTP的異常處理問題。
當(dāng)urlopen不能夠處理一個(gè)response時(shí)，產(chǎn)生urlError。
不過通常的Python APIs異常如ValueError,TypeError等也會(huì)同時(shí)產(chǎn)生。
HTTPError是urlError的子類，通常在特定HTTP URLs中產(chǎn)生。

1.URLError
通常，URLError在沒有網(wǎng)絡(luò)連接(沒有路由到特定服務(wù)器)，或者服務(wù)器不存在的情況下產(chǎn)生。
這種情況下，異常同樣會(huì)帶有"reason"屬性，它是一個(gè)tuple（可以理解為不可變的數(shù)組），
包含了一個(gè)錯(cuò)誤號(hào)和一個(gè)錯(cuò)誤信息。
我們建一個(gè)urllib2_test06.py來感受一下異常的處理：

復(fù)制代碼代碼如下:

import urllib2  

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

try: urllib2.urlopen(req)  

except urllib2.URLError, e:    

    print e.reason

按下F5，可以看到打印出來的內(nèi)容是：
[Errno 11001] getaddrinfo failed
也就是說，錯(cuò)誤號(hào)是11001，內(nèi)容是getaddrinfo failed

2.HTTPError

服務(wù)器上每一個(gè)HTTP 應(yīng)答對(duì)象response包含一個(gè)數(shù)字"狀態(tài)碼"。
有時(shí)狀態(tài)碼指出服務(wù)器無法完成請(qǐng)求。默認(rèn)的處理器會(huì)為你處理一部分這種應(yīng)答。
例如:假如response是一個(gè)"重定向"，需要客戶端從別的地址獲取文檔，urllib2將為你處理。
其他不能處理的，urlopen會(huì)產(chǎn)生一個(gè)HTTPError。
典型的錯(cuò)誤包含"404"(頁面無法找到)，"403"(請(qǐng)求禁止)，和"401"(帶驗(yàn)證請(qǐng)求)。
HTTP狀態(tài)碼表示HTTP協(xié)議所返回的響應(yīng)的狀態(tài)。
比如客戶端向服務(wù)器發(fā)送請(qǐng)求，如果成功地獲得請(qǐng)求的資源，則返回的狀態(tài)碼為200，表示響應(yīng)成功。
如果請(qǐng)求的資源不存在，則通常返回404錯(cuò)誤。

HTTP狀態(tài)碼通常分為5種類型，分別以1～5五個(gè)數(shù)字開頭，由3位整數(shù)組成：
------------------------------------------------------------------------------------------------
200：請(qǐng)求成功      處理方式：獲得響應(yīng)的內(nèi)容，進(jìn)行處理
201：請(qǐng)求完成，結(jié)果是創(chuàng)建了新資源。新創(chuàng)建資源的URI可在響應(yīng)的實(shí)體中得到    處理方式：爬蟲中不會(huì)遇到
202：請(qǐng)求被接受，但處理尚未完成    處理方式：阻塞等待
204：服務(wù)器端已經(jīng)實(shí)現(xiàn)了請(qǐng)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(tài)碼不被HTTP/1.0的應(yīng)用程序直接使用，只是作為3XX類型回應(yīng)的默認(rèn)解釋。存在多個(gè)可用的被請(qǐng)求資源。    處理方式：若程序中能夠處理，則進(jìn)行進(jìn)一步處理，如果程序中不能處理，則丟棄
301：請(qǐng)求到的資源都會(huì)分配一個(gè)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(qǐng)求到的資源在一個(gè)不同的URL處臨時(shí)保存     處理方式：重定向到臨時(shí)的URL
304 請(qǐng)求的資源未更新     處理方式：丟棄
400 非法請(qǐng)求     處理方式：丟棄
401 未授權(quán)     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
5XX 回應(yīng)代碼以“5”開頭的狀態(tài)碼表示服務(wù)器端發(fā)現(xiàn)自己出現(xiàn)錯(cuò)誤，不能繼續(xù)執(zhí)行請(qǐng)求    處理方式：丟棄
------------------------------------------------------------------------------------------------

HTTPError實(shí)例產(chǎn)生后會(huì)有一個(gè)整型'code'屬性，是服務(wù)器發(fā)送的相關(guān)錯(cuò)誤號(hào)。

Error Codes錯(cuò)誤碼

因?yàn)槟J(rèn)的處理器處理了重定向(300以外號(hào)碼)，并且100-299范圍的號(hào)碼指示成功，所以你只能看到400-599的錯(cuò)誤號(hào)碼。
BaseHTTPServer.BaseHTTPRequestHandler.response是一個(gè)很有用的應(yīng)答號(hào)碼字典，顯示了HTTP協(xié)議使用的所有的應(yīng)答號(hào)。
當(dāng)一個(gè)錯(cuò)誤號(hào)產(chǎn)生后，服務(wù)器返回一個(gè)HTTP錯(cuò)誤號(hào)，和一個(gè)錯(cuò)誤頁面。
你可以使用HTTPError實(shí)例作為頁面返回的應(yīng)答對(duì)象response。
這表示和錯(cuò)誤屬性一樣，它同樣包含了read,geturl,和info方法。
我們建一個(gè)urllib2_test07.py來感受一下：

復(fù)制代碼代碼如下:

import urllib2  

req = urllib2.Request('http://www.fzitv.net/callmewhy')  

try:  

    urllib2.urlopen(req)  

except urllib2.URLError, e:  

    print e.code  

    #print e.read()

按下F5可以看見輸出了404的錯(cuò)誤碼，也就說沒有找到這個(gè)頁面。

3.Wrapping

所以如果你想為HTTPError或URLError做準(zhǔn)備，將有兩個(gè)基本的辦法。推薦使用第二種。
我們建一個(gè)urllib2_test08.py來示范一下第一種異常處理的方案：

復(fù)制代碼代碼如下:

from urllib2 import Request, urlopen, URLError, HTTPError  

req = Request('http://www.fzitv.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

和其他語言相似，try之后捕獲異常并且將其內(nèi)容打印出來。
這里要注意的一點(diǎn)，except HTTPError 必須在第一個(gè)，否則except URLError將同樣接受到HTTPError 。
因?yàn)镠TTPError是URLError的子類，如果URLError在前面它會(huì)捕捉到所有的URLError（包括HTTPError ）。

我們建一個(gè)urllib2_test09.py來示范一下第二種異常處理的方案：

復(fù)制代碼代碼如下:

from urllib2 import Request, urlopen, URLError, HTTPError  

req = Request('http://www.fzitv.net/callmewhy')  

try:    

    response = urlopen(req)    

except URLError, e:    

    if hasattr(e, 'code'):    

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

        print 'Error code: ', e.code    

    elif hasattr(e, 'reason'):    

        print 'We failed to reach a server.'    

        print 'Reason: ', e.reason    

else:    

    print 'No exception was raised.'    

    # everything is fine