从零开始爬虫系统学习Day2——2021.2.20

回顾

• 库、模块及函数三者从属关系及声明方式
• urllib库之request模块的初步了解
• 如何快速获取一个网页的全部HTML

html = urllib.request.urlopen('xxxxxxxxxx/xx/xx.html')

• BeautifulSoup库的基本了解
• bs.BeautifulSoup(xxx,‘xxx’)中两个传参分别对应什么
  • 第一个参数是以获取的html，可以用**html = urllib.request.urlopen(‘xxxxxxxxxx/xx/xx.html’)**提前获取，然后传入html.read()；
  • 第二个参数是解析器
• 常用解析器有哪三种？它们之间的关系和对比是怎样的？

今日记录：BeatifulSoup对象标准化创建及带有异常处理的书写规范

一、BeatifulSoup对象标准化创建

BeatifulSoup功能强大，考虑到以后在编写爬虫的过程中会多次使用，那么一套合格的BS对象标准化创建流程就显得十分重要。

from urllib.request import urlopen
from bs4 import BeautifulSoup

html = urlopen('http://xxxxxx.html')
bs = BeautifulSoup(html.read(), 'html.parser')

在昨日的记录中已经详细说明了创建中每条语句的作用，这里不多做展开。

二、带有异常处理的书写规范

小科普：URLError（URL异常）与HTTPError（HTTP异常）

URL异常的引发原因通常为：连接目标服务器异常、服务器不存在及本地网络异常等。HTTP异常是URL异常的子类，具体描述了HTTP协议错误引发的异常，并且按类别进行了描述（老生常谈的404就是典型的HTTP错误），下面展示几种常见的HTTP异常：

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。

异常处理的书写规范

在前面介绍的urllib库里，有一个专门用于处理异常的模块叫error。通过使用error.HTTPError和error.URLError函数，结合try-except-else语句，我们能合理的对遇到异常的程序及时中止并获取引发异常的信息：

from urllib.request import urlopen
from urllib.error import HTTPError
from urllib.error import URLError

try:
 html = urlopen('https://xxxxx.com')
except HTTPError as e:
 print(e)
except URLError as e:
 print('Server error!')
else:
 print('Success!')