芝麻HTTP：Python爬虫入门之URLError异常处理

1.URLError

首先解释下URLError可能产生的缘由：

• 网络无链接，即本机没法上网
• 链接不到特定的服务器
• 服务器不存在

在代码中，咱们须要用try-except语句来包围并捕获相应的异常。下面是一个例子，先感觉下它的风骚

import urllib2

requset = urllib2.Request('http://www.xxxxx.com')
try:
    urllib2.urlopen(request)
except urllib2.URLError, e:
    print e.reason

咱们利用了 urlopen方法访问了一个不存在的网址，运行结果以下：

[Errno 11004] getaddrinfo failed

它说明了错误代号是11004，错误缘由是 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。

其余不能处理的，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。下面将状态码归结以下：

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，或者若是请求已经完成，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起相似措施。

102：继续处理   由WebDAV（RFC 2518）扩展的状态码，表明处理将被继续执行。

200：请求成功      处理方式：得到响应的内容，进行处理

201：请求完成，结果是建立了新资源。新建立资源的URI可在响应的实体中获得    处理方式：爬虫中不会遇到

202：请求被接受，但处理还没有完成    处理方式：阻塞等待

204：服务器端已经实现了请求，可是没有返回新的信 息。若是客户是用户代理，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， 只是做为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：若程序中可以处理，则进行进一步处理，若是程序中不能处理，则丢弃
301：请求到的资源都会分配一个永久的URL，这样就能够在未来经过该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一样的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：未受权     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  服务器遇到了一个不曾预料的情况，致使了它没法完成对请求的处理。通常来讲，这个问题都会在服务器端的源代码出现错误时出现。

501：服务器没法识别  服务器不支持当前请求所须要的某个功能。当服务器没法识别请求的方法，而且没法支持其对任何资源的请求。

502：错误网关  做为网关或者代理工做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   因为临时的服务器维护或者过载，服务器当前没法处理请求。这个情况是临时的，而且将在一段时间之后恢复。

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。
由于urllib2能够为你处理重定向，也就是3开头的代号能够被处理，而且100-299范围的号码指示成功，因此你只能看到400-599的错误号码。

下面咱们写一个例子来感觉一下，捕获的异常是HTTPError，它会带有一个code属性，就是错误代号，另外咱们又打印了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, e:
    print e.code
    print e.reason

运行结果以下：

403
Forbidden

错误代号是403，错误缘由是Forbidden，说明服务器禁止访问。

咱们知道，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，若是子类捕获不到，那么能够捕获父类的异常，因此上述的代码能够这么改写

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"

若是捕获到了HTTPError，则输出code，不会再处理URLError异常。若是发生的不是HTTPError，则会去捕获URLError异常，输出错误缘由。

另外还能够加入 hasattr属性提早对属性进行判断，代码改写以下

import urllib2
 
req = urllib2.Request('http://blog.csdn.net/cqcre')
try:
    urllib2.urlopen(req)
except urllib2.URLError, e:
    if hasattr(e,"reason"):
        print e.reason
else:
    print "OK"

首先对异常的属性进行判断，以避免出现属性输出报错的现象。