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

90.51%

  • Python

    11741questions

    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。

  • Windows

    1707questions

    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でUnicodeDecodeErrorを解決したい。

解決済

回答 1

投稿

  • 評価
  • クリップ 1
  • VIEW 503

kanpan

score 10

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

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

checkベストアンサー

0

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

編集

  • 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。

  • 2018/11/03 13:13

    分かりました。
    アドバイスありがとうございます。

    キャンセル

同じタグがついた質問を見る

  • Python

    11741questions

    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。

  • Windows

    1707questions

    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。