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

88.62%

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

解決済

回答 2

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 1,564

ploxolq.tt

score 16

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。

<!DOCTYPE html>
<html>
<head>
<meta http-equiv="content-language" content="ja">
<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
    • 過去に投稿した質問と同じ内容の質問
    • 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 2

checkベストアンサー

+1

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

  • 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。

  • 2018/10/19 09:12

    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。

    キャンセル

  • 2018/10/19 09:13

    そうですね。後ほど修正しておきますね。

    キャンセル

  • 2018/10/19 13:09

    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。

    キャンセル

+1

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

  • 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。

  • 2018/10/19 07:35

    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!

    キャンセル

  • 2018/10/19 09:11

    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。

    キャンセル

  • 2018/10/19 13:08

    ありがとうございます!試してみます!

    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 88.62%
  • 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

同じタグがついた質問を見る