Próbuję się dowiedzieć, jak automatycznie pobierać adresy URL ze strony. W poniższym kodzie próbuję uzyskać tytuł strony internetowej:
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)
I otrzymuję ten nieoczekiwany błąd:
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
Co ja robię źle?
python
python-3.x
web-crawler
Inspired_Blue
źródło
źródło
Odpowiedzi:
Chcesz przekonwertować html (obiekt typu bajtowego) na ciąg znaków używając
.decode
nphtml = response.read().decode('utf-8')
.Zobacz Konwertowanie bajtów na ciąg w języku Python
źródło
TypeError: cannot use a string pattern on a bytes-like object
ale potem pojawiły się błędy takie jakUnicodeDecodeError: 'utf-8' codec can't decode byte 0xb2 in position 1: invalid start byte
. Naprawiłem to, używając.decode("utf-8", "ignore")
: stackoverflow.com/questions/62170614/…utf-16
. Caveat emptor.Problem polega na tym, że twoje wyrażenie regularne jest łańcuchem, ale
html
zawiera bajty :Ponieważ python nie wie, w jaki sposób te bajty są kodowane, zgłasza wyjątek, gdy próbujesz użyć na nich wyrażenia regularnego typu string.
Możesz zamienić
decode
bajty na ciąg:Lub użyj wyrażenia regularnego bajtów:
W tym konkretnym kontekście możesz pobrać kodowanie z nagłówków odpowiedzi:
Więcej informacji można znaleźć w
urlopen
dokumentacji .źródło