TypeError：不能在re.findall（）中的字节对象上使用字符串模式

Question

我正在尝试学习如何从页面自动获取网址。在下面的代码中，我试图获取网页的标题：

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)

我得到了这个意想不到的错误：

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

我究竟做错了什么？

Answer 1

您想使用.decode将html（类似字节的对象）转换为字符串，例如html = response.read().decode('utf-8')。

见Convert bytes to a Python String

Answer 2

问题是你的正则表达式是一个字符串，但html是bytes：

>>> type(html)
<class 'bytes'>

由于python不知道这些字节是如何编码的，因此当你尝试对它们使用字符串正则表达式时会引发异常。

你可以decode字节到字符串：

html = html.decode('ISO-8859-1')  # encoding may vary!
title = re.findall(pattern, html)  # no more error

或者使用字节正则表达式：

regex = rb'<title>(,+?)</title>'
#        ^

---

在此特定上下文中，您可以从响应标头获取编码：

with urllib.request.urlopen(url) as response:
    encoding = response.info().get_param('charset', 'utf8')
    html = response.read().decode(encoding)

有关详细信息，请参阅urlopen documentation。