[Python]网络爬虫（三）：异常的处理和HTTP状态码的分类

trzxycx

　　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：

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：
　　

import urllib2
req = urllib2.Request('http://bbs.csdn.net/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：

from urllib2 import Request, urlopen, URLError, HTTPError
req = Request('http://bbs.csdn.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：



from urllib2 import Request, urlopen, URLError, HTTPError
req = Request('http://bbs.csdn.net/callmewhy')
try:  
response = urlopen(req)  
except URLError, e:  
if hasattr(e, 'reason'):  
print 'We failed to reach a server.'  
print 'Reason: ', e.reason  
elif hasattr(e, 'code'):  
print 'The server couldn\'t fulfill the request.'  
print 'Error code: ', e.code  
else:  
print 'No exception was raised.'  
# everything is fine