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!

新規登録して質問してみよう
ただいま回答率
85.50%
スクレイピング

スクレイピングとは、公開されているWebサイトからページ内の情報を抽出する技術です。

Ruby

Rubyはプログラミング言語のひとつで、オープンソース、オブジェクト指向のプログラミング開発に対応しています。

JavaScript

JavaScriptは、プログラミング言語のひとつです。ネットスケープコミュニケーションズで開発されました。 開発当初はLiveScriptと呼ばれていましたが、業務提携していたサン・マイクロシステムズが開発したJavaが脚光を浴びていたことから、JavaScriptと改名されました。 動きのあるWebページを作ることを目的に開発されたもので、主要なWebブラウザのほとんどに搭載されています。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

HTML

HTMLとは、ウェブ上の文書を記述・作成するためのマークアップ言語のことです。文章の中に記述することで、文書の論理構造などを設定することができます。ハイパーリンクを設定できるハイパーテキストであり、画像・リスト・表などのデータファイルをリンクする情報に結びつけて情報を整理します。現在あるネットワーク上のほとんどのウェブページはHTMLで作成されています。

Q&A

解決済

1回答

834閲覧

nokogiri利用時のcharset=nilについて(Ruby)

退会済みユーザー

退会済みユーザー

総合スコア0

スクレイピング

スクレイピングとは、公開されているWebサイトからページ内の情報を抽出する技術です。

Ruby

Rubyはプログラミング言語のひとつで、オープンソース、オブジェクト指向のプログラミング開発に対応しています。

JavaScript

JavaScriptは、プログラミング言語のひとつです。ネットスケープコミュニケーションズで開発されました。 開発当初はLiveScriptと呼ばれていましたが、業務提携していたサン・マイクロシステムズが開発したJavaが脚光を浴びていたことから、JavaScriptと改名されました。 動きのあるWebページを作ることを目的に開発されたもので、主要なWebブラウザのほとんどに搭載されています。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

HTML

HTMLとは、ウェブ上の文書を記述・作成するためのマークアップ言語のことです。文章の中に記述することで、文書の論理構造などを設定することができます。ハイパーリンクを設定できるハイパーテキストであり、画像・リスト・表などのデータファイルをリンクする情報に結びつけて情報を整理します。現在あるネットワーク上のほとんどのウェブページはHTMLで作成されています。

0グッド

1クリップ

投稿2018/02/02 01:27

こんにちは。

webスクレイピングの勉強をしています。

複数エントリーを眺めて勉強していますが、
Nokogiriで簡単なWebスクレイピング
のページに気になるコメントがありました。

イメージ説明

早い話、##########の部分を書き換え可能と言う話であります。

ruby:hoge.rb

1require 'open-uri' 2require 'nokogiri' 3 4url = '{URL}' 5 6######################################### 7charset = nil 8html = open(url) do |f| 9 charset = f.charset # 文字種別を取得します。 10 f.read # htmlを読み込み変数htmlに渡します。 11end 12page = Nokogiri::HTML.parse(html, nil, charset) #htmlを解析し、オブジェクト化 13######################################### 14# 上の6行を1行に書き換え可能 15page = Nokogiri::HTML.parse(open(url)) 16######################################### 17 18 19res = page.search('*****') 20p res.text

知りたいこと。

そこで気になったのはUTF-8というのは日本語のページ限定なのでしょうか。
例えば英語のサイトをスクレイピングするときはcharset=nilが必要なのでしょうか。
お詳しい方、ご教授いただけると幸いです。

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MY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。

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

guest

回答1

0

ベストアンサー

charsetを指定しない場合、文字コードはlibxml2の自動判別に頼ることになります(Nokogiriのドキュメント)。「勝手にUTF-8として解釈される」ということではありません。

英語の場合はASCIIの範囲内ということで、多くの文字コードでそのままの位置にあるために化ける心配はほぼないとは思います。

ただ、サーバからcharsetが来ているなら、(元のコードのように)それを使うのがいちばん確実です。

投稿2018/02/02 01:34

編集2018/02/02 01:37
maisumakun

総合スコア145121

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

退会済みユーザー

退会済みユーザー

2018/02/02 05:16

maisumakunsさんありがとうございます。助かりました! 「サーバーからcharsetがきている」と言う状態が理解および知識不足ですが、 http://d.hatena.ne.jp/cero-t/20110614/1308063484 を見て、ちょっと学習したいと思います!!
guest

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

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
85.50%

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る

質問する

関連した質問