python3 ngramの方法について

Question

前提・実現したいこと

更新されたソースコードを続行してもからのファイルが誕生してしまう。
うまく読み込めていないのがどこなのかいまいちわからない。

発生している問題・エラーメッセージ

エラー自体は消えました

更新されたソースコード

# coding: utf-8

import sys
import json
import MeCab
import urllib.request, urllib.error, urllib.parse
from collections import defaultdict
from operator import itemgetter
from bs4 import BeautifulSoup
from bs4 import NavigableString


class Ngram():
    
    def __init__(self, N=3):
        self.N = N
        self.tagger = MeCab.Tagger("-Owakati")
    
    def get(self, text, ngram=None):
        seq = self.tagger.parse(text)

        if ngram is None:
            ngram = [defaultdict(int) for x in range((self.N + 1))]
            ngram[0] = None
        
        for i in range(len(seq)):
            for n in range(1, self.N + 1):
                idx = i - n + 1  # check ngram is valid range
                if idx >= 0:
                    key_words = []
                    for j in range(idx, i+1):
                        key_words.append(seq[j])
                    key = '_'.join(key_words)
                    ngram[n][key] += 1
        
        return ngram


class HTMLParser():
    
    def get(self, url):
        try:
            c = urllib.request.urlopen(url)
        except:
            print("Could not open %s" % url)
            return ""
        
        soup = BeautifulSoup(c.read(), "lxml")
        text = '\n'.join(self.__getNavigableStrings(soup))
        return text
    
    def __getNavigableStrings(self, soup):
        if isinstance(soup, NavigableString):
            if type(soup) not in (Comment, Declaration) and soup.strip():
                yield soup
            elif soup.name not in ('script', 'style'):
                for c in soup.contents:
                    for g in self.__getNavigableStrings(c):
                        yield g


if __name__ == "__main__":
    
    f = open("urls.json", "r")
    urls = json.load(f)
    f.close()
    print("Count of urls : " + str(len(urls)))
    
    N = 10
    hp = HTMLParser()
    ng = Ngram(N)
    
    ngram = None
    for url in urls:
        text = hp.get(url)
        ngram = ng.get(text, ngram)
    
    for n in range(1, (N + 1)):
        f = open('outputs/{:02d}.tsv'.format(n), 'w')
        out = ""
        for k, v in sorted(list(ngram[n].items()), key=itemgetter(1), reverse=True):
            out += "{}\t{}\n".format(k, v)
        f.write(out)
        f.close()

URLS.JSONのファイル

["https://news.yahoo.co.jp/profile/settings/", "https://headlines.yahoo.co.jp/hl?a=20180601-00000063-dal-ent", "https://news.yahoo.co.jp/feature", "https://news.yahoo.co.jp/pickup/6284612", "https://news.yahoo.co.jp/pickup/6284600", "https://news.yahoo.co.jp/ranking/access?ty=t", "https://news.yahoo.co.jp/polls/", "https://news.yahoo.co.jp/hl?c=c_spo", "https://news.yahoo.co.jp/hl?c=loc", "https://www.yahoo-help.jp/app/noscript", "https://headlines.yahoo.co.jp/hl?a=20180601-00000520-san-pol", "https://news.yahoo.co.jp/search/advanced", "https://news.yahoo.co.jp/pickup/6284614", "https://news.yahoo.co.jp/pickup/6284627", "https://news.yahoo.co.jp/photo", "http://news.yahoo.co.jp/", "https://news.yahoo.co.jp/profile/login", "https://news.yahoo.co.jp/ranking", "https://headlines.yahoo.co.jp/purchase/", "https://headlines.yahoo.co.jp/hl?a=20180601-00000002-wordleafs-socc", "https://news.yahoo.co.jp/byline/", "https://headlines.yahoo.co.jp/videonews/jnn?a=20180601-00000013-jnn-soci", "https://news.yahoo.co.jp/ranking/access?ty=v", "https://about.yahoo.co.jp/docs/info/terms/chapter1.html", "https://headlines.yahoo.co.jp/hl?a=20180601-00000010-jij-soci", "https://news.yahoo.co.jp/ranking/access?ty=z", "https://headlines.yahoo.co.jp/videonews/jnn?a=20180530-00000072-jnn-soci", "https://headlines.yahoo.co.jp/article?a=20180601-00542887-shincho-ent", "https://about.yahoo.co.jp/info/mediastatement/", "https://headlines.yahoo.co.jp/docs/copyright.html", "https://news.yahoo.co.jp/byline/kohyoungki/20180531-00085870/", "https://news.yahoo.co.jp/ranking/comment/rate?ty=t", "https://news.yahoo.co.jp/ranking/access?ty=b", "https://headlines.yahoo.co.jp/hl?a=20180601-00003575-tokaiv-l23", "https://headlines.yahoo.co.jp/hl?a=20180531-00010002-bfj-soci", "https://news.yahoo.co.jp/hl?c=c_ent", "https://headlines.yahoo.co.jp/hl?a=20180601-00000519-san-pol", "https://news.yahoo.co.jp/pickup/6284617", "https://news.yahoo.co.jp/hl?c=dom", "https://news.yahoo.co.jp/", "https://headlines.yahoo.co.jp/article?a=20180601-00223078-toyo-soci", "https://news.yahoo.co.jp/topics", "https://headlines.yahoo.co.jp/videonews/", "https://news.yahoo.co.jp/hl?c=c_sci", "https://news.yahoo.co.jp/list/", "https://headlines.yahoo.co.jp/videonews/jnn?a=20180531-00000058-jnn-soci", "https://headlines.yahoo.co.jp/hl?a=20180601-00003574-tokaiv-l23", "https://about.yahoo.co.jp/docs/info/terms/", "https://www.yahoo-help.jp/app/home/p/575/", "https://about.yahoo.co.jp/info/msiesp/", "https://news.yahoo.co.jp/hl?c=c_life", "https://news.yahoo.co.jp/flash", "https://headlines.yahoo.co.jp/hl?a=20180601-00226047-nksports-socc", "https://news.yahoo.co.jp/pickup/6284619", "https://headlines.yahoo.co.jp/docs/tokuteisho.html", "https://news.yahoo.co.jp/byline/oshimakazuto/20180531-00085867/", "https://news.yahoo.co.jp/hl?c=bus", "https://headlines.yahoo.co.jp/hl?a=20180531-00000001-withnews-sci", "https://headlines.yahoo.co.jp/hl?a=20180601-00010002-khbv-l04", "https://www.yahoo-help.jp/app/answers/detail/a_id/43880/p/533/", "https://news.yahoo.co.jp/byline/fuwaraizo/20180531-00085864/", "https://feedback.ms.yahoo.co.jp/voc/news-voc/input", "https://news.yahoo.co.jp/hl?c=c_int", "https://news.yahoo.co.jp/pickup/6284621", "https://news.yahoo.co.jp/zasshi", "https://headlines.yahoo.co.jp/article?a=20180601-00055904-gendaibiz-bus_all", "https://www.yahoo-help.jp/app/answers/detail/p/575/a_id/60137", "https://news.yahoo.co.jp/pickup/6284618"]

Comments

[quickquip]

改変を加える前は動いていたのか、どう改変したのか、MeCab.Taggerが正常に動くことは確認しているのか、などが知りたいです。

[rrrrrrrry]

mecab.taggerは正常に動きます。プログラム更新したので一度見ていただいてもよろしいですか？

[quickquip]

改変を加える前は動いていたのか、どう改変したのか、って書きましたよね? あと"やりたいこと"が書いてないですよ。単語ngramを1gramから10gramまでの範囲でカウントしたい? のかなと想像しますが、それはこちらの勝手な想像でしかないわけです。コードが**そうなってない**状態なので。

[rrrrrrrry]

改変を加える前は動かしてもいません。そもそもネット上に落ちていたputhon2系のプログラムを3系にまず書き換えました。importの部分で足りない部分を追加したことくらいです。quiquiさんのおっしゃる通りで1-10gramでカウントしていきたいです。今回はサンプルのためyahooのサイトで行なっているだけであります。コードがそうなっていないというのも私には現状理解できていない状態なのでわかりやすく教えていただけるとありがたいです。

[quickquip]

パッとみる範囲でsplitを呼んでないとか、Comment, Declarationが定義されてないとか、読まなくても不完全なソースであることはすぐにわかります。どういう動作を望んで書いているのかわからないです。

[rrrrrrrry]

webページ上の文章をngramの機能を使いでどういう単語が多く頻出されているかを見ていきたいという目的でやっています。

[quickquip]

やりたいことはわかりました（私には）。が、ここに書いてもしょうがないですよ。今おかしいのが、webからの取得とhtmlのparseなのか、形態素解析なのか、ngramを獲得するところなのか、頻度をカウントしているところなのか、どこまで確認したのか、あたりも書くといいと思います。

[rrrrrrrry]

quiqui様私の浅はかな知識に質問の仕方を細かく教授いただきありがとうございました。質問する立場としてもう少し学習するとともに、分かりやすくできるよう努力します。

[quickquip]

いや、質問を書きかえるか追記しましょうってことなんですけど。ここをコメント欄と勘違いしてませんか?

Answer 1

本当にpython3系なら、MeCabバインディングのparseの引数はbytesではなくstrを受け取ることになっています。
手元環境でも同様のエラーが再現しました。parseの引数のtext.encode('utf-8')をtextにすると出なくなりました。

Comments

[rrrrrrrry]

そこを直したところ

Traceback (most recent call last):
File "z.py", line 79, in <module>
f = open('outputs/{:02d}.tsv'.format(n), 'w')
FileNotFoundError: [Errno 2] No such file or directory: 'outputs/01.tsv'

のようにエラー文が出ました。出力するところはそのように処理したらいいでしょうか？

[hayataka2049]

それはoutputsディレクトリがないだけなんじゃという気がします。先に作っておく必要があるのですが

[rrrrrrrry]

a.tsvのように適当に指定したら何も書かれていないファイルが出来上がってしまいました。

[rrrrrrrry]

プログラムを更新いたしました。

[hayataka2049]

とりあえずそこまで動くようになったなら、あとはng.getの返り値とかngramの値とかをprintでもしてデバッグしていけば完成すると思います。ただ結構手間かもしれないので、とりあえず私のアドバイスはここまでにさせてください・・・