TypeError: re.findall () içindeki bayt benzeri bir nesnede dizge kalıbı kullanılamaz

Bir sayfadan url'leri otomatik olarak nasıl getireceğimi öğrenmeye çalışıyorum. Aşağıdaki kodda web sayfasının başlığını almaya çalışıyorum:

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)

Ve bu beklenmedik hatayı alıyorum:

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

Neyi yanlış yapıyorum?

Html'yi (bayt benzeri bir nesne) kullanarak bir dizgeye dönüştürmek istiyorsunuz .decode, örn html = response.read().decode('utf-8').

Baytları bir Python Dizesine dönüştürme konusuna bakın

Sorun düzenli ifade bir dize olmakla olmasıdır htmlolduğunu bayt :

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

Python bu baytların nasıl kodlandığını bilmediğinden, üzerlerinde bir dize normal ifadesi kullanmaya çalıştığınızda bir istisna atar.

Şunları yapabilirsiniz ya decodebir dizeye bayt:

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

Veya bir bayt normal ifadesi kullanın:

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

Bu özel bağlamda, kodlamayı yanıt başlıklarından alabilirsiniz:

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

Daha fazla ayrıntı için urlopenbelgelere bakın.