質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.83%

  • Python 3.x

    4477questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

  • 文字コード

    179questions

    文字コードとは、文字や記号をコンピュータ上で使用するために用いられるバイト表現を指します。

Pythonでの文字コードの判定について

解決済

回答 1

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 901

lalalabit

score 1

Pythonでテキストマイニングをしているのですが、Twitter上で取得したデータをcsvファイルに書き込もうとすると特定の機種依存文字などに対して
UnicodeEncodeError: 'cp932' codec can't encode character '\u2764' in position 29
: illegal multibyte sequence
以上のようなエラーが出ます。調べてみたところ、csvファイルに入力する際に文字コードの変換が起きておりうまく変換できない文字列があったことに対してエラーを吐いているようでした。

対応として全ての文字列をUTF-8に変換してから書き込んだりしてみましたが日本語が文字化けしてしまいました。
そこで、文字列の文字コードがcp932だった場合その文字列は書き込まないようにする(今回のテキストマイニングでは機種依存文字は有用でないため)プログラムにしようと考えています。
特定の文字列の文字コードを判定するにはどのような方法があるでしょうか。
詳しい方宜しくお願いします。

以下、該当コードの主要部分です。

f = open('test.csv','a',encoding='utf-8-sig')
csvWriter = csv.writer(f)

#TwitterIDからプロフィール文を取得、形態素解析
for num in range(2):
    if num == 1:
        sheet = sheet_2
    for row in range(sheet.nrows):
        val = sheet.cell(row,col).value
        i = i+1
        print (val)
        params = {
            "screen_name": val
        }
        responce = oath.get(url,params = params)    
        tweet = json.loads(responce.text)
        user_description = tweet['description']
        print("users_desc:",user_description)
        tokens = l.tokenize(user_description)
        #形態素解析及び名詞抽出
        for token in tokens:
            partOfSpeech = token.part_of_speech.split(',')[0]
            if partOfSpeech == u'名詞':
                each_words.append(token.surface)
        words.append(each_words)
        print(each_words)
        csvWriter.writerow([num,each_words])

        each_words = []
  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 1

checkベストアンサー

0

python は Windows 上ではデフォルトで cp832(shift_jis) で出力しようとするので、書き込もうとしている文字列に'\u2764'のような文字が含まれているとエラーになるのだと思います。出力のエンコーディングを utf-8 などにすれば変換などは必要ないと思います。

例えばopen関数にはオプショナル引数encodingがあります。

open - Python 3

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2017/12/14 15:05

    解答ありがとうございます。
    f = open('test.csv','a',encoding='utf-8-sig')
    上記のようにファイルオープンするということですよね。
    そうすると何故かファイルに文字列を書き込んでくれなくなりました・・・。
    これだけの情報では状況が分かりかねると思うのでソースを質問本文に追加させて頂きます。

    キャンセル

  • 2017/12/14 15:13

    すみません、こちらのミスでした。
    無事encodingを追加した結果正常に動作しました。
    ありがとうございました。

    キャンセル

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 90.83%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

関連した質問

同じタグがついた質問を見る

  • Python 3.x

    4477questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

  • 文字コード

    179questions

    文字コードとは、文字や記号をコンピュータ上で使用するために用いられるバイト表現を指します。