如何处理来自 urllib.request.urlopen() 的响应编码，以避免 TypeError: can't use a string pattern on a bytes-like object答案

【问题标题】：How to handle response encoding from urllib.request.urlopen() , to avoid TypeError: can't use a string pattern on a bytes-like object如何处理来自 urllib.request.urlopen() 的响应编码，以避免 TypeError: can't use a string pattern on a bytes-like object
【发布时间】：2011-06-26 07:14:51
【问题描述】：

我正在尝试使用urllib.request.urlopen() 打开网页，然后使用正则表达式进行搜索，但出现以下错误：

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

我明白为什么urllib.request.urlopen() 返回一个字节流，所以re 不知道要使用的编码。在这种情况下我该怎么办？有没有办法在 urlrequest 中指定编码方法，或者我需要自己重新编码字符串？如果是这样，我想做什么，我假设我应该从标头信息或编码类型中读取编码（如果在 html 中指定），然后将其重新编码为？

【问题讨论】：

在 Python 3.5x 中，使用 urllib.request 的这些答案中没有一个对我有用，因为 urllib.request.urlopen(url) 从字面上只返回一个字节流 - 它没有任何成员函数来解析任何形式的html中的标头。所以没有信息（），没有标题等。我必须自己解析它才能找到编码，但是没有编码我不能将它转换为文本来解析它。这是一个陷阱 22。

标签： python regex encoding urllib

【解决方案1】：

对于我来说，解决方案如下（python3）：

resource = urllib.request.urlopen(an_url)
content =  resource.read().decode(resource.headers.get_content_charset())

【讨论】：

看起来是最好的答案，但如果服务器不发送字符集信息怎么办？
如果服务器不发送字符集信息，那么您最好的选择就是猜测。
@rvighne：如果服务器在Content-Type 标头中没有传递charset，则there are complex rules to figure out the character encoding 例如，可以在html 文档中指定：<meta charset="utf-8">。

【解决方案2】：

您只需要解码响应，使用 Content-Type 标头通常是最后一个值。 the tutorial 中也有一个例子。

output = response.decode('utf-8')

【讨论】：

谢谢，这正是我需要的。
如果字符集不是 utf-8 怎么办？以某种方式从响应中确定它而不是硬编码这个假设会更好吗？
响应中的Content-Type 标头包含charset 值，这是正确解码响应所需的值（至少在guessingutf-8 之前）。例如：Content-Type: text/html; charset=utf-8

【解决方案3】：

过去两天我遇到了同样的问题。我终于有了解决办法。我正在使用urlopen()返回的对象的info()方法：

req=urllib.request.urlopen(URL)
charset=req.info().get_content_charset()
content=req.read().decode(charset)

【讨论】：

这与 Ivan Klass 两年前发布的答案完全相同，只是使用 info 而不是 headers。 :-/ 没有解释为什么选择这个而不是那个，这个答案对我来说就像是重复的。

【解决方案4】：

与requests:

import requests

response = requests.get(URL).text

【讨论】：

这完全使用了不同的库。

【解决方案5】：

这是一个简单的 http 请求示例（我测试过并且有效）...

address = "http://stackoverflow.com"    
urllib.request.urlopen(address).read().decode('utf-8')

请务必阅读文档。

https://docs.python.org/3/library/urllib.request.html

如果你想做一些更详细的 GET/POST REQUEST。

import urllib.request
# HTTP REQUEST of some address
def REQUEST(address):
    req = urllib.request.Request(address)
    req.add_header('User-Agent', 'NAME (Linux/MacOS; FROM, USA)')
    response = urllib.request.urlopen(req)
    html = response.read().decode('utf-8')  # make sure its all text not binary
    print("REQUEST (ONLINE): " + address)
    return html

【讨论】：

这与接受的答案没有相同的问题吗？引用那里的评论：如果字符集不是 utf-8 怎么办？以某种方式从响应中确定它而不是硬编码这个假设会更好吗？

【解决方案6】：

urllib.urlopen(url).headers.getheader('Content-Type')

会输出如下内容：

text/html; charset=utf-8

【讨论】：

【解决方案7】：

在您发出请求 req = urllib.request.urlopen(...) 后，您必须通过调用 html_string = req.read() 来读取请求，这将为您提供字符串响应，然后您可以按照您想要的方式解析。

【讨论】：

我知道，这就是我得到它的方式，但它返回一个字节流，b'...'。
我明白了，那么您可以使用@Senthil 指出的.decode()，或者您可以使用 urllib2 应该对您透明地处理这个问题。