网络是十分复杂的。网页数据格式不友好，网站服务器宕机，目标数据的标签找不到，都
是很麻烦的事情。网络数据采集最痛苦的遭遇之一，就是爬虫运行的时候你洗洗睡了，梦
想着明天一早数据就都会采集好放在数据库里，结果第二天醒来，你看到的却是一个因某
种数据格式异常导致运行错误的爬虫，在前一天当你不再盯着屏幕去睡觉之后，没过一会
儿爬虫就不再运行了。那个时候，你可能想骂发明互联网（以及那些奇葩的网络数据格
式）的人，但是你真正应该斥责的人是你自己，为什么一开始不估计可能会出现的异常！
html = urlopen("http://www.pythonscraping.com/pages/page1.html")
这行代码主要可能会发生两种异常：
? 网页在服务器上不存在（或者获取页面的时候出现错误）
? 服务器不存在
第一种异常发生时，程序会返回HTTP 错误。HTTP 错误可能是“404 Page Not Found”“500
Internal Server Error”等。所有类似情形，urlopen 函数都会抛出“HTTPError”异常。我们
可以用下面的方式处理这种异常：
try:
html = urlopen("http://www.pythonscraping.com/pages/page1.html")
except HTTPError as e:
print(e)
# 返回空值，中断程序，或者执行另一个方案
else:
# 程序继续。注意：如果你已经在上面异常捕捉那一段代码里返回或中断（break），
# 那么就不需要使用else语句了，这段代码也不会执行
如果程序返回HTTP 错误代码，程序就会显示错误内容，不再执行else 语句后面的代码。
如果服务器不存在（就是说链接http://www.pythonscraping.com/ 打不开，或者是URL 链接
写错了），urlopen 会返回一个None 对象。这个对象与其他编程语言中的null 类似。我们
可以增加一个判断语句检测返回的html 是不是None：
if html is None:
print("URL is not found")
else:
# 程序继续
当然，即使网页已经从服务器成功获取，如果网页上的内容并非完全是我们期望的那样，
仍然可能会出现异常。每当你调用BeautifulSoup 对象里的一个标签时，增加一个检查条件
保证标签确实存在是很聪明的做法。如果你想要调用的标签不存在，BeautifulSoup 就会返
初见网络爬虫 ｜ 9
回None 对象。不过，如果再调用这个None 对象下面的子标签，就会发生AttributeError
错误。
下面这行代码（nonExistentTag 是虚拟的标签，BeautifulSoup 对象里实际没有）
print(bsObj.nonExistentTag)
会返回一个None 对象。处理和检查这个对象是十分必要的。如果你不检查，直接调用这个
None 对象的子标签，麻烦就来了。如下所示。
print(bsObj.nonExistentTag.someTag)
这时就会返回一个异常：
AttributeError: ‘NoneType‘ object has no attribute ‘someTag‘
那么我们怎么才能避免这两种情形的异常呢？最简单的方式就是对两种情形进行检查：
try:
badContent = bsObj.nonExistingTag.anotherTag
except AttributeError as e:
print("Tag was not found")
else:
if badContent == None:
print ("Tag was not found")
else:
print(badContent)
初看这些检查与错误处理的代码会觉得有点儿累赘，但是，我们可以重新简单组织一下代
码，让它变得不那么难写（更重要的是，不那么难读）。例如，下面的代码是上面爬虫的
另一种写法：
from urllib.request import urlopen
from urllib.error import HTTPError
from bs4 import BeautifulSoup
def getTitle(url):
try:
html = urlopen(url)
except HTTPError as e:
return None
try:
bsObj = BeautifulSoup(html.read())
title = bsObj.body.h1
except AttributeError as e:
return None
return title
title = getTitle("http://www.pythonscraping.com/pages/page1.html")
if title == None:
print("Title could not be found")
else:
print(title)
在这个例子中，我们创建了一个getTitle 函数，可以返回网页的标题，如果获取网页
的时候遇到问题就返回一个None 对象。在getTitle 函数里面，我们像前面那样检查了
HTTPError，然后把两行BeautifulSoup 代码封装在一个try 语句里面。这两行中的任何一
行有问题，AttributeError 都可能被抛出（如果服务器不存在，html 就是一个None 对象，
html.read() 就会抛出AttributeError）。其实，我们可以在try 语句里面放任意多行代码，
或者放一个在任意位置都可以抛出AttributeError 的函数。