Я пытаюсь узнать, как автоматически получать URL-адреса со страницы. В следующем коде я пытаюсь получить название веб-страницы:
import urllib.request
import re
url = "http://www.google.com"
regex = r'<title>(,+?)</title>'
pattern = re.compile(regex)
with urllib.request.urlopen(url) as response:
html = response.read()
title = re.findall(pattern, html)
print(title)
И я получаю эту неожиданную ошибку:
Traceback (most recent call last):
File "path\to\file\Crawler.py", line 11, in <module>
title = re.findall(pattern, html)
File "C:\Python33\lib\re.py", line 201, in findall
return _compile(pattern, flags).findall(string)
TypeError: can't use a string pattern on a bytes-like object
Что я делаю не так?
python
python-3.x
web-crawler
Inspired_Blue
источник
источник
Ответы:
Вы хотите преобразовать html (байтовый объект) в строку
.decode
, например, используяhtml = response.read().decode('utf-8')
.См. Раздел Преобразование байтов в строку Python
источник
TypeError: cannot use a string pattern on a bytes-like object
но потом я получил такие ошибки, какUnicodeDecodeError: 'utf-8' codec can't decode byte 0xb2 in position 1: invalid start byte
. Я исправил это с помощью.decode("utf-8", "ignore")
: stackoverflow.com/questions/62170614/…utf-16
. Пусть покупатель будет бдителен.Проблема заключается в том, что ваше регулярное выражение является строкой, но
html
это байт :Поскольку python не знает, как кодируются эти байты, он выдает исключение, когда вы пытаетесь использовать для них строковое регулярное выражение.
Вы можете преобразовать
decode
байты в строку:Или используйте байтовое регулярное выражение:
В этом конкретном контексте вы можете получить кодировку из заголовков ответов:
Смотрите
urlopen
документацию для более подробной информации.источник