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。