Ik probeer te leren hoe ik automatisch URL’s van een pagina kan ophalen. In de volgende code probeer ik de titel van de webpagina te krijgen:
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)
En ik krijg deze onverwachte fout:
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
Wat doe ik verkeerd?
Antwoord 1, autoriteit 100%
U wilt html (een byte-achtig object) converteren naar een string met behulp van .decode
, b.v. html = response.read().decode('utf-8')
.
Zie Bytes converteren naar een Python-string
Antwoord 2, autoriteit 21%
Het probleem is dat je regex een string is, maar html
is bytes:
>>> type(html)
<class 'bytes'>
Omdat python niet weet hoe die bytes zijn gecodeerd, genereert het een uitzondering wanneer je er een string-regex op probeert te gebruiken.
Je kunt ofwel decode
de bytes naar een string:
html = html.decode('ISO-8859-1') # encoding may vary!
title = re.findall(pattern, html) # no more error
Of gebruik een bytes-regex:
regex = rb'<title>(,+?)</title>'
# ^
In deze specifieke context kun je de codering uit de antwoordheaders halen:
with urllib.request.urlopen(url) as response:
encoding = response.info().get_param('charset', 'utf8')
html = response.read().decode(encoding)
Zie de urlopen
documentatievoor meer details.