Saya mencoba mempelajari cara mengambil url dari halaman secara otomatis. Dalam kode berikut saya mencoba mendapatkan judul halaman web:
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)
Dan saya mendapatkan kesalahan tak terduga ini:
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
Apa yang saya lakukan salah?
python
python-3.x
web-crawler
Inspired_Blue
sumber
sumber
Jawaban:
Anda ingin mengubah html (objek mirip byte) menjadi string menggunakan
.decode
, mishtml = response.read().decode('utf-8')
.Lihat Mengonversi byte menjadi String Python
sumber
TypeError: cannot use a string pattern on a bytes-like object
tetapi kemudian saya mendapat kesalahan sepertiUnicodeDecodeError: 'utf-8' codec can't decode byte 0xb2 in position 1: invalid start byte
. Saya memperbaikinya dengan menggunakan.decode("utf-8", "ignore")
: stackoverflow.com/questions/62170614/…utf-16
. Caveat emptor.Masalahnya adalah bahwa regex Anda adalah string, tetapi
html
adalah byte :Karena python tidak tahu bagaimana byte tersebut dikodekan, itu membuat pengecualian saat Anda mencoba menggunakan string regex padanya.
Anda dapat
decode
byte ke string:Atau gunakan regex byte:
Dalam konteks khusus ini, Anda bisa mendapatkan pengkodean dari header respons:
Lihat
urlopen
dokumentasi untuk lebih jelasnya.sumber