En Python, ¿cómo uso urllib para ver si un sitio web es 404 o 200?

Respuestas:

176

El método getcode () (agregado en python2.6) devuelve el código de estado HTTP que se envió con la respuesta, o None si la URL no es una URL HTTP.

>>> a=urllib.urlopen('http://www.google.com/asdfsf')
>>> a.getcode()
404
>>> a=urllib.urlopen('http://www.google.com/')
>>> a.getcode()
200
Nadia Alramli
fuente
Para usar en Python 3, simplemente use from urllib.request import urlopen.
Nathanael Farley
4
En Python 3.4, si hay un 404, urllib.request.urlopendevuelve un urllib.error.HTTPError.
mcb
No funciona en Python 2.7. Si HTTP devuelve 400, se lanza una excepción
Nadav B
86

También puede usar urllib2 :

import urllib2

req = urllib2.Request('http://www.python.org/fish.html')
try:
    resp = urllib2.urlopen(req)
except urllib2.HTTPError as e:
    if e.code == 404:
        # do something...
    else:
        # ...
except urllib2.URLError as e:
    # Not an HTTP-specific error (e.g. connection refused)
    # ...
else:
    # 200
    body = resp.read()

Tenga en cuenta que HTTPErrores una subclase de la URLErrorque almacena el código de estado HTTP.

Joe Holloway
fuente
¿El segundo es elseun error?
Samy Bencherif
@NadavB El objeto de excepción 'e' se verá como un objeto de respuesta. Es decir, es similar a un archivo y puede "leer" la carga útil de él.
Joe Holloway
37

Para Python 3:

import urllib.request, urllib.error

url = 'http://www.google.com/asdfsf'
try:
    conn = urllib.request.urlopen(url)
except urllib.error.HTTPError as e:
    # Return code error (e.g. 404, 501, ...)
    # ...
    print('HTTPError: {}'.format(e.code))
except urllib.error.URLError as e:
    # Not an HTTP-specific error (e.g. connection refused)
    # ...
    print('URLError: {}'.format(e.reason))
else:
    # 200
    # ...
    print('good')
XavierCLL
fuente
Para URLError print(e.reason) podría usarse.
Gitnik
¿Qué hay de http.client.HTTPException?
CMCDragonkai
6 
import urllib2

try:
    fileHandle = urllib2.urlopen('http://www.python.org/fish.html')
    data = fileHandle.read()
    fileHandle.close()
except urllib2.URLError, e:
    print 'you got an error with the code', e
mrme
fuente
5
TIMEX está interesado en tomar el código de solicitud http (200, 404, 500, etc.), no un error genérico arrojado por urllib2.
Joshua Burns