零基础写python爬虫之http异常处理

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http urls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:

代码如下:

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:

代码如下:

import urllib2
req = urllib2.request(‘http://www.bitscn.com/callmewhy’)
try:
urllib2.urlopen(req)
except urllib2.urlerror, e:
print e.code
#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:

代码如下:

from urllib2 import request, urlopen, urlerror, httperror
req = request(‘http://www.bitscn.com/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:

代码如下:

from urllib2 import request, urlopen, urlerror, httperror
req = request(‘http://www.bitscn.com/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

Posted in 未分类

发表评论