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%
Beautiful Soup

Beautiful Soupは、Pythonのライブラリの一つ。スクレイピングに特化しています。HTMLデータの構文の解析を行うために、HTMLタグ/CSSのセレクタで抽出する部分を指定することが可能です。

FTP

FTP(File Transfer Protocol)は、ネットワークでのファイル転送を行うための通信プロトコルの1つである。

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

2回答

2902閲覧

PythonのBeautifulSoupでスクレイピングするとhtml(utf-8)の文字コードがISO-8859-1になってしまう

ploxolq.tt

総合スコア16

Beautiful Soup

Beautiful Soupは、Pythonのライブラリの一つ。スクレイピングに特化しています。HTMLデータの構文の解析を行うために、HTMLタグ/CSSのセレクタで抽出する部分を指定することが可能です。

FTP

FTP(File Transfer Protocol)は、ネットワークでのファイル転送を行うための通信プロトコルの1つである。

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

0クリップ

投稿2018/10/18 14:06

編集2018/10/19 04:08

こちらのQ&Aは、
途中で質問の内容が変わってしまったため、
一見すると質問と回答が食い違ってしまっています。

そのため、こちらに一連の流れを記載しておきます。
ご迷惑をおかけいたします。


【当初の質問:HTMLファイルをWEB上にアップロードすると文字コードがISO-8859-1になってしまう】

BeautifulSoupでスクレイピングをすると、BeautifulSoup上では、自分でアップロードしたWEBサイトの文字コードが「ISO-8859-1」として認識されてしまう。ローカル上では文字コードが「UTF-8」になっているため、WinSCPでアップロードするときに文字コードが変換されてしまうのでは?

しかし、WEB上にアップロードされているHTMLファイルをローカルにダウンロードし、文字コードを調べてみるとUTF-8のまま。つまり、WEB上のHTMLファイルもUTF-8のままであり、WinSCPによって文字コードが変換されているわけではない。

回答者様のご指摘により、「WEBサイト自体に問題があるのではなく、BeautifulSoupでスクレイピングする際に文字コードが変換されている」ことが判明。

【質問の変更:PythonのBeautifulSoupでスクレイピングするとhtml(utf-8)の文字コードがISO-8859-1になってしまう】

HTMLではcharsetで文字コードをUTF-8に指定しているにもかかわらず、なぜスクレイピングの際に文字コードが変換されてしまうのか。

レンタルサーバーの仕様により、ResponseのContent-Typeの文字コードを書き換えられてしまう(指定したcharsetを無視されてしまう)。その結果BeautifulSoupがUTF-8を認識できず、代わりにISO-8859-1として認識してしまい、その結果文字化けが発生する。

解決する場合には、.htaccessでcharsetを修正する方法などが考えられる。ただし、今回はWEBサイト自体に問題がないことが分かったため、文字化けはBeautifulSoupサイドで工夫することで解決。


およそこのような流れになっています。
ご迷惑をおかけしてしまい申し訳ございません。

↓↓↓↓↓↓↓↓
なお、当初の質問は下記の通りです。
↓↓↓↓↓↓↓↓

文字コードについて困っています。

WEBサイトをアップロードするにあたり、
ローカル上でhtmlを編集する際には、htmlファイルはutf-8になっており、
htmlのhead内でも下記のように文字コードを指定しています。

html

1<!DOCTYPE html> 2<html> 3<head> 4<meta http-equiv="content-language" content="ja"> 5<meta charset="UTF-8">

ところが、WEB上にアップロードすると、文字コードがISO-8859-1になってしまっているようです。

表面上は文字化けがないので、気づかなかったのですが、
pythonのbeautiful soupでスクレイピングをしてみたところ、
文字化けが発生し、文字コードがおかしくなってしまっている(ISO-8859-1になっている)ことに気が付きました。

OSはwindows 10、
FTPクライアントソフトにはWinSCPを使っています。

ファイルの編集や保存に当たり、
Dreamweaver、Atom、terapadなどを使ってみましたが、どれも結果は同じでした。
少なくともローカル上では確かにutf-8にもかかわらず、アップロード後に文字コードが変換されてしまうようです。

原因はわかりますでしょうか・・・?

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2

0

おそらく、

文字コードがISO-8859-1になってしまっている

という判断が間違っていると思われます。
主観でなく、具体的な現象を書いてみてください。

投稿2018/10/18 14:49

otn

総合スコア84423

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。

ploxolq.tt

2018/10/18 14:57

こちら説明が分かりにくく申し訳ございません。 別のご回答者様のご指摘により、恐らくスクレイピングのタイミングで不具合の生じていることが分かりました。というのも、スクレイピングをした際に文字化けが発生し、 res = requests.get(url) print(res.encoding) > ISO-8859-1 このような形で確認したところ、ISO-8859-1と判定されていることに気づいた次第でございます。 ただ、どうして自分のアップロードしたWEBサイトがスクレイピングの際にそのような文字コードとして判定されてしまうのか分かりません。いくつか(私がアップしたものではない)他のサイトで試してみましたが、文字化けもなく、utf-8として認識されていました。 試しに<body>内を空っぽにしたhtmlも上げてみましたが、やはり自分で上げたものはスクレイピング時に文字化けを起こしてしまうようです・・・。
otn

2018/10/18 15:30

おそらく、サーバーが、 Content-Type: text/html; charset=ISO-8859-1 というヘッダを付加して、requests.get が、HTMLの中でなくヘッダを見てencodingを認識している物と思います。 HTMLデータ自体は別に変換されているわけではない。 res.encoding = "UTF-8" と上書きすれば良いのでは?
ploxolq.tt

2018/10/18 22:35

おっしゃる通りでございます。 個人的には、なぜ自分でアップしたサイトは(一応utf-8指定にしているにもかかわらず)そのような扱いになってしまうのか、utf-8認識されているサイトとの違いは何なのか、という点を考えていたのですが、 レンタルサーバーなどの影響があるなら仕方ないですね。そもそもWEBサイト自体に問題がないのであれば、とりあえずは大丈夫なので、あまり細かいことは気にせず、スクレイピングのほうで工夫するようにします! 色々とご教示いただき、本当にありがとうございました!
otn

2018/10/19 00:11

サーバーが、Apacheならば、.htaccessファイルに AddDefaultCharset utf-8 と書くといいかも。
ploxolq.tt

2018/10/19 04:08

ありがとうございます!試してみます!
guest

0

ベストアンサー

アップロード時にテキストモードでアップロードしてしまっているのでは無いでしょうか。
バイナリモードでのアップロードを試してみて下さい。

参考

投稿2018/10/18 14:11

tanat

総合スコア18709

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。

ploxolq.tt

2018/10/18 14:23

早急のご連絡ありがとうございます!!! 転送モードをバイナリにして改めて試してみたのですが(初期設定では「デフォルト」となっていました)、やはり文字コードの変換が発生してしまうようです・・・。
tanat

2018/10/18 14:30

うーん、では文字化けが発生ているのはスクレイピングして保存しているタイミングでは?という気がします。 ブラウザで表示して、ソースを表示→保存でutf-8で保存出来ているのであればアップロードとwebサーバの設定には問題無いことが確認できます。
ploxolq.tt

2018/10/18 14:52

素晴らしいご回答をありがとうございます!!! tanat様のおっしゃる通りにアップロードしたものをローカルにダウンロードし、ファイル形式を確かめたところ、utf-8になっておりました。 ということは、tanat様のご指摘通り、どういうわけか自分でアップロードしたサイトが、スクレイピングのタイミングでISO-8859-1として認識されてしまうということなのですね・・・。
ploxolq.tt

2018/10/18 22:37

URLの共有までありがとうございます!個人的にはなぜ自分のサイトではcharsetの指定が無視されてしまうのか気になっていたのですが、他のご回答者様のご指摘にもあったように、サーバーの影響などもあるかもしれませんし、とりあえずWEBサイト自体に不具合がないのであれば大丈夫なので、スクレイピングの方で調整するようにしたいと思います。 たくさんの、とても分かりやすいご回答をいただき、本当にありがとうございました!
otn

2018/10/19 00:12

コメントで解決していますが、回答欄に書いてある事は関係無いので、あとで見る人用に回答欄に追記して置いた方が良いと思います。
tanat

2018/10/19 00:13

そうですね。後ほど修正しておきますね。
ploxolq.tt

2018/10/19 04:09

ご迷惑をおかけしてしまい申し訳ございません。こちらで質問を修正・追記しておきましたので、恐らく大丈夫だと思われます。ご面倒をお掛けしてしまって申し訳ございません。
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