Python爬虫 之处理异常

进行异常处理我们经常使用try…except语句，在try中执行主要代码，在except中捕获异常信息，并进行相应的异常处理。

一、爬虫中异常主要有两大类：

（1）URLError类

（2）HTTPError类

一般产生Error的原因有如下几种可能：

网络无连接，即本机无法上网
链接不到特定服务器
服务器不存在
触发了HTTPError

注意：HTTPError无法处理以上前三种错误，要用URLError！
两者都是异常处理的类，HTTPError是URLError的子类，HTTPError有异常状态码与异常原因，
URLError没有异常状态码。所以，在处理的时候，不能使用URLError直接代替HTTPError。如果要代替，必须要判断是否有状态码属性。

URLError

具有reason,即返回错误原因

import urllib.request
import urllib.error

try:   
    urllib.request.urlopen("http://www.haoweixl.com")
    print ("OK")
except urllib.error.URLError as e:
    print (e.reason)        #异常原因

结果为：

Not Found

2.HTTPError:

HTTPError是URLError的子类，专门用来处理HTTP请求错误，比如认证失败等。

具有如下三个属性:

code: 返回HTTP状态码。
reason：同父类一样，用于返回错误原因。
headers：返回请求头。

from urllib import request, error

try:
    response = request.urlopen('https://i.csdn.net/index45abs.html')
except error.HTTPError as e:
    print(e.reason)
    print(e.code)
    print(e.headers)

结果为：

Not Found
404
Server: openresty
Date: Thu, 05 Mar 2020 07:13:20 GMT
Content-Type: text/html; charset=utf-8
Content-Length: 166
Connection: close

因为URLError是HTTPError的父类，根据编程经验，父类的异常应当写到子类异常的后面，所以可以先选择子类错误，再去捕获父类错误。所以上述代码更好的写法是:

from urllib import request, error

try:
    response = request.urlopen('https://i.csdn.net/index45abs.html')
except error.HTTPError as e:
    print(e.reason)
    print(e.code)
    print(e.headers)
except error.URLError as e:
    print(e.reason)
else:
    print('Request Successfully')

结果为：

Not Found
404
Server: openresty
Date: Thu, 05 Mar 2020 07:23:29 GMT
Content-Type: text/html; charset=utf-8
Content-Length: 166
Connection: close

另外还可以用hasattr()函数来判断是否具有这些属性，这样就不会出错，也就是，有e.code 就输出，没有就自动忽略；e.reason同理。故改写如下：

from urllib import request, error

url = 'https://www.baidu.com'
try:
    response = request.urlopen(url)
except error.HTTPError as e:
    if hasattr(e, "reason"):
        print (e.reason)
    if hasattr(e, "code"):    
        print(e.code)
    if hasattr(e, "headers"):    
        print(e.headers)
except error.URLError as e:
    print(e.reason)
else:
    print('Request Successfully')

HTTP状态码表示HTTP协议所返回的响应的状态。下面将状态码归结如下：

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，或者如果请求已经完成，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取类似措施。

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

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

500：服务器内部错误 服务器遇到了一个未曾预料的状况，导致了它无法完成对请求的处理。一般来说，这个问题都会在服务器端的源代码出现错误时出现。

501：服务器无法识别 服务器不支持当前请求所需要的某个功能。当服务器无法识别请求的方法，并且无法支持其对任何资源的请求。

502：错误网关 作为网关或者代理工作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 由于临时的服务器维护或者过载，服务器当前无法处理请求。这个状况是临时的，并且将在一段时间以后恢复。