TypeError：不能在 re.findall() 中的类似字节的对象上使用字符串模式

Posted 2023-02-15

【中文标题】TypeError：不能在 re.findall() 中的类似字节的对象上使用字符串模式

【英文标题】：TypeError: can't use a string pattern on a bytes-like object in re.findall()

【发布时间】：2015-09-10 06:14:23

【问题描述】：

我正在尝试学习如何从页面中自动获取网址。在以下代码中，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)

我收到了这个意外错误：

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

我做错了什么？

【问题讨论】：

Convert bytes to a Python string的可能重复

【参考方案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

【讨论】：

这解决了错误TypeError: cannot use a string pattern on a bytes-like object，但后来我得到了UnicodeDecodeError: 'utf-8' codec can't decode byte 0xb2 in position 1: invalid start byte之类的错误。我使用.decode("utf-8", "ignore") 修复了它：***.com/questions/62170614/…

"ignore" 忽略。如果这是你想要的，那么一切都很好。然而，有时这种问题掩盖了更深层次的问题，例如你想要解码的东西真的是不可解码的或本来就是不可解码的，例如压缩或加密的文本。或者它可能需要一些其他编码，例如 utf-16 。警告购买者。

【参考方案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，因此当您尝试对它们使用字符串正则表达式时，它会引发异常。

您可以将 decode 字节转换为字符串：

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>'
#        ^

---

在这个特定的上下文中，您可以从响应标头中获取编码：

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。