python３．５でテキストファイルの読込で、内容が同じなのにエラーになることがある

Question

前提・実現したいこと

pythonのプログラムで感情分析するohke さんのブログのプログラムを検証してます。

発生している問題・エラーメッセージ

File "C:/Users/momo/Desktop/ニュース感情極性.py", line 25, in <module>
print(texts[0])
IndexError: list index out of range

該当のソースコード

import glob
import re

livedoorトピックニュースの文章リスト

texts = []

livedoorトピックニュースのファイル名一覧を取得する

paths = glob.glob('./text/topic-news/topic-news-*.txt')
for path in paths:
with open(path, 'r') as f:
original_text = f.read()

    # 先頭2行は不要なメタ情報のため、削除
    text = re.sub(r'^.*\n.*\n', '', original_text) 
    # "【関連"や"■関連"以降は削除
    result = re.search(r'(【|■)関連', text)
    if result is not None:
        text = text[:result.start()]
        
    texts.append(text)

最初の1件を表示

print(texts[0])

試したこと

text/topic-newsホルダの中のtopic-news-*.txtファイルの１ケを残して他は削除。
そして、実行したら、次のエラーメッセジが出た。
UnicodeDecodeError: 'cp932' codec can't decode byte 0x8b in position 103: illegal multibyte sequence

そこで、そのファイルを削除して、新たにメモ帳を開き、削除したファイルの中身をコピーし、貼り付け、ファイルの名前を同じにすれば、成功。（数ファイル作成）
メモリ容量が違って表示される（少し容量が少なくなっているのも（たとえば5KB→4KB）
不思議で理由がわかりません。

補足情報（FW/ツールのバージョンなど）

IDEL（3.5 64bit)を使用して行っています。

Answer 1

読込ファイルのエンコーディングがUTF-8なのでデフォルトエンコーディングがcp932なWindows環境ではUnicodeDecodeErrorが発生します。
with open(path, 'r') as f:→with open(path, 'r',encoding='utf-8') as f:に修正すると読み込めるようになります。

不思議で理由がわかりません。

メモ帳の保存時にてcp932(=Shift-JIS)になったからです。
UTF-8とcp932ではサイズも変わってきます。

Comments

[kazushige]

ありがとうございまう。修正して実行したら、次のエラーが出てしまた。
File "C:/Users/momo/Desktop/ニュース感情極性.py", line 25, in <
print(texts[0])
IndexError: list index out of range　

インターネットでIndexError: list index out of range　を検索し調べましたが、わかりません。news-*.txtの中身が空になるようなこと確認したかぎりないと思われます。

[can110]

パスはあっていますか？
いいかえると「'./text/topic-news/topic-news-*.txt'」
の「./」の意味はご存知でしょうか？
またエラーの意味については
「IndexError: list index out of range とは」の検索結果の３番目
http://www.isl.ne.jp/pcsp/python/python11.html
など理解の助けにならないでしょうか？

[kazushige]

回答ありがとうございます。パスは合っていると思います。「./」はあってもなくても同じです。どこにおいてもよいようにする汎用的な使い方だと理解し、確かめてもみました。同じです。ところで、
paths = glob.glob('./text/topic-news/topic-news-*.txt')
の次に、printa('paths= ',paths)のデバック文を入れてみたら、ご指摘のように、paths= [] となり、空なのが原因だとわかりました。
　しかし、topic-news-*.txtの中身が、メモ帳で書き直した場合のみ、pathsに読込まれるのかは今だ不明です。

[can110]

パスがあっており、その場所に該当するファイルがあることが確認できたにもかかわらず
「paths = glob.glob('./text/topic-news/topic-news-*.txt')」の結果が空になるということですね？

[kazushige]

はい。そうです。わからないので、IDEL(3.5)だけでなく、IDEL(3.6),jupyter
で行いましたが駄目でした。（あがきの行動ですが）

[can110]

IDLEやjupyter利用しているとカレントディレクトリ(./)がソースファイル(hoge.py)のある場所とは異なるフォルダを指している可能性もありえます。
textフォルダとhoge.pyをデスクトップなど同じ場所に配置し、コマンドプロンプトから「python hoge.py」などと実行してみてください。

[kazushige]

追加ですが、./text/topic-news/topic-news-*.txtの中に、メモ帳で新規に
コピーしたファイルを追加して、実行したところ、paths が空でした。
ホルダー、ファイル名が違っているとしか考えられないのですが、何度眺めても、入れ替えを行っても、無駄でした。

[kazushige]

追加訂正。今までご指導していただき、ありがとうございます。理由が判明いたしました。ホルダーをtext,text1,text2と作り、その中に、内容を変えて、プログラムを実行していたのですが、新たに、textxを作ったらうまくいきました。ホルダー名のtextの後の数字が全角にしてしまって、文字が小さくて、それに気づかなかったのが原因でした。初歩てきなミスで申し訳ありませんでした。

　なお、最初にご指摘いただいた、with open(path, 'r',encoding='utf-8') as f:が正解でした。重ねてお礼申し上げます。今後共によろしくご指導方お願いいたします。

[can110]

なるほど。解決して何よりです。

Answer 2

理由が判明いたしました。ホルダーをtext,text1,text2と作り、その中に、内容を変えて、プログラムを実行していたのですが、新たに、textxを作ったらうまくいきました。ホルダー名のtextの後の数字が全角にしてしまって、文字が小さくて、それに気づかなかったのが原因でした。初歩てきなミスで申し訳ありませんでした。

　なお、最初にご指摘いただいた、with open(path, 'r',encoding='utf-8') as f:が正解でした。