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%
Windows

Windowsは、マイクロソフト社が開発したオペレーティングシステムです。当初は、MS-DOSに変わるOSとして開発されました。 GUIを採用し、主にインテル系のCPUを搭載したコンピューターで動作します。Windows系OSのシェアは、90%を超えるといわれています。 パソコン用以外に、POSシステムやスマートフォンなどの携帯端末用、サーバ用のOSもあります。

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。

Q&A

解決済

1回答

821閲覧

pythonでUnicodeDecodeErrorを解決したい。

kanpan

総合スコア20

Windows

Windowsは、マイクロソフト社が開発したオペレーティングシステムです。当初は、MS-DOSに変わるOSとして開発されました。 GUIを採用し、主にインテル系のCPUを搭載したコンピューターで動作します。Windows系OSのシェアは、90%を超えるといわれています。 パソコン用以外に、POSシステムやスマートフォンなどの携帯端末用、サーバ用のOSもあります。

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。

0グッド

1クリップ

投稿2018/11/01 22:07

下記サイトを参考にしてpythonでword2vecのモデルを作成するために、下のソースコードをうごかしてみたのですが、UnicodeDecodeErrorが取れません。
どうすればよいのでしょうか?

・ソースコード

python

1#coding: UTF-8 2from gensim.models import word2vec 3import logging 4logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO) 5data = word2vec.Text8Corpus("/jikken/wikiextractor-master/wiki_wakati.txt") 6model = word2vec.Word2Vec(data, size=200) 7model.save("./wiki.model")

・エラーメッセージ

C:\jikken>python genModel.py C:\Anaconda\lib\site-packages\gensim\utils.py:1212: UserWarning: detected Windows; aliasing chunkize to chunkize_serial warnings.warn("detected Windows; aliasing chunkize to chunkize_serial") 2018-11-02 06:40:53,466 : INFO : collecting all words and their counts 2018-11-02 06:40:53,466 : INFO : PROGRESS: at sentence #0, processed 0 words, keeping 0 word types Traceback (most recent call last): File "genModel.py", line 6, in <module> model = word2vec.Word2Vec(data, size=200) File "C:\Anaconda\lib\site-packages\gensim\models\word2vec.py", line 767, in __init__ fast_version=FAST_VERSION) File "C:\Anaconda\lib\site-packages\gensim\models\base_any2vec.py", line 759, in __init__ self.build_vocab(sentences=sentences, corpus_file=corpus_file, trim_rule=trim_rule) File "C:\Anaconda\lib\site-packages\gensim\models\base_any2vec.py", line 936, in build_vocab sentences=sentences, corpus_file=corpus_file, progress_per=progress_per, trim_rule=trim_rule) File "C:\Anaconda\lib\site-packages\gensim\models\word2vec.py", line 1571, in scan_vocab total_words, corpus_count = self._scan_vocab(sentences, progress_per, trim_rule) File "C:\Anaconda\lib\site-packages\gensim\models\word2vec.py", line 1540, in _scan_vocab for sentence_no, sentence in enumerate(sentences): File "C:\Anaconda\lib\site-packages\gensim\models\word2vec.py", line 1372, in __iter__ text[last_token:].strip()) if last_token >= 0 else ([], text) File "C:\Anaconda\lib\site-packages\gensim\utils.py", line 355, in any2unicode return unicode(text, encoding, errors=errors) UnicodeDecodeError: 'utf-8' codec can't decode byte 0xe3 in position 5685: invalid continuation byte

参考にしたサイト↓
https://qiita.com/kenta1984/items/93b64768494f971edf86

サイト内のコマンドがUNIX向けのものだったため、自分でWindows向けのコマンドに直しています。それがちゃんとあっている自信もないので、確認お願い致します。

元のコマンド1 $ find text/ | grep wiki | awk '{system("cat "$0" >> wiki.txt")}' ↓ 直したコマンド1 for /r text\ %a in (*wiki.*) do type "%a" >>wiki.txt 元のコマンド2 $ nkf -w --overwrite wiki_wakati.txt ↓ 直したコマンド2 nkf32 -w -w80 wiki_wakati.txt

また、ソースコード内のwiki-wakati.txtの文字コードをEmacsで確認したところ、文字コードはBOM無しUTF-8になっているのですが、開く際に、

"指定されたエンコードで変換できない文字が含まれています。編集を続行して保存するとファイルの中身が破壊されます。"

と出ます。もしこれが原因なのであればどうすればこの状態を解消できるのでしょうか?御回答お願いいたします。

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

Pythonの処理を始める以前の、wiki_wakati.txtの時点で、既にファイルが壊れている(≒正しいBOM無しUTF-8でない)と想像します。

では、こういうときどうするかというと、ダウンロードした時点からコマンドで加工するステップの1つ1つについて、エディタか他のツールでファイルを開き、どの時点でファイルが壊れたか探るということを繰り返します。(Emacsが早いでしょう。同じエラーメッセージがでるかどうかで判断できるので)

この手の問題に多少慣れてくると、「エラーメッセージが出てから首を捻るより、コマンドで加工する度にいちいち確認した方が着実で早い」くらいに思えてくるはずです。

投稿2018/11/02 23:47

編集2018/11/02 23:50
morinatsu

総合スコア395

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。

kanpan

2018/11/03 04:13

分かりました。 アドバイスありがとうございます。
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