web-dev-qa-db-ja.com

Python正規表現のTypeError

だから、私はこのコードを持っています：

url = 'http://google.com'
linkregex = re.compile('<a\s*href=[\'|"](.*?)[\'"].*?>')
m = urllib.request.urlopen(url)
msg = m.read()
links = linkregex.findall(msg)

ただし、pythonはこのエラーを返します。

links = linkregex.findall(msg)
TypeError: can't use a string pattern on a bytes-like object

私は何を間違えましたか？

pythonregexpython-3.xtypeerror
51
kamikaze_pilot

TypeError: can't use a string patternon a bytes-like object

私は何を間違えましたか？

バイトオブジェクトで文字列パターンを使用しました。代わりにバイトパターンを使用します。

linkregex = re.compile(b'<a\s*href=[\'|"](.*?)[\'"].*?>')
                       ^
            Add the b there, it makes it into a bytes object

（ps：

 >>> from disclaimer include dont_use_regexp_on_html
 "Use BeautifulSoup or lxml instead."

）

70
Lennart Regebro

Python 2.6を実行している場合、「urllib」には「request」はありません。したがって、3行目は次のようになります。

m = urllib.urlopen(url)

そして、バージョン3ではこれを使用する必要があります。

links = linkregex.findall(str(msg))

「msg」はバイトオブジェクトであり、findall（）が期待する文字列ではないためです。または、正しいエンコードを使用してデコードできます。たとえば、「latin1」がエンコードの場合：

links = linkregex.findall(msg.decode("latin1"))
3
Morten Kristensen

私のバージョンのPythonにはリクエスト属性を持つurllibはありませんが、「urllib.urlopen（url）」を使用すると文字列が返されず、オブジェクトが取得されますこれは型エラーです。

1
Jeremy Whitlock

正規表現パターンと文字列は同じタイプでなければなりません。通常の文字列と一致する場合は、文字列パターンが必要です。バイト文字列を照合する場合は、バイトパターンが必要です。

この場合、-m.read（）はバイト文字列を返すため、バイトパターンが必要です。 Python 3、通常の文字列はUnicode文字列であり、バイト文字列リテラルを指定するにはb修飾子が必要です。

linkregex = re.compile(b'<a\s*href=[\'|"](.*?)[\'"].*?>')
1
Seppo Enarvi

GoogleのURLは役に立たなかったので、http://www.google.com/ig?hl=en私のために働くそれのために。

これを試して：

import re
import urllib.request

url="http://www.google.com/ig?hl=en"
linkregex = re.compile('<a\s*href=[\'|"](.*?)[\'"].*?>')
m = urllib.request.urlopen(url)
msg = m.read():
links = linkregex.findall(str(msg))
print(links)

お役に立てれば。

1
John

それはpython3で私のために働いた。お役に立てれば

import urllib.request
import re
urls = ["https://google.com","https://nytimes.com","http://CNN.com"]
i = 0
regex = '<title>(.+?)</title>'
pattern = re.compile(regex)

while i < len(urls) :
    htmlfile = urllib.request.urlopen(urls[i])
    htmltext = htmlfile.read()
    titles = re.search(pattern, str(htmltext))
    print(titles)
    i+=1

そしてこれも正規表現の前にbを追加してバイト配列に変換しました。

import urllib.request
import re
urls = ["https://google.com","https://nytimes.com","http://CNN.com"]
i = 0
regex = b'<title>(.+?)</title>'
pattern = re.compile(regex)

while i < len(urls) :
    htmlfile = urllib.request.urlopen(urls[i])
    htmltext = htmlfile.read()
    titles = re.search(pattern, htmltext)
    print(titles)
    i+=1
0
user3022012