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

88.81%

インターネット上の res_utf8 = res.decode('utf-8') のエラー

解決済

回答 3

投稿

  • 評価
  • クリップ 0
  • VIEW 676

ただいま,インターネット上のHPからファイルを読み込もうとしておりまして,
エクセルファイルが載っているおおもとのHPを読み込もうとして以下のようなコードを作成しております。※ここに記載のURLは架空のものです。

import urllib.request
import zipfile
import re
import zenhan
import os
import chardet

import sys, io
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='utf-8')

urlp = "http://www.ktr.mmm.go.jp"
urlp1 = "/test/test11112.html"
url = urlp + urlp1
print(url)

res = urllib.request.urlopen(url).read() 
res_utf8 = res.decode('utf-8')

上記のようにstr型からbytes型(utf-8)に変換したいので,最後のコードにres_utf8 = res.decode('utf-8')を記載しておりますが以下のエラーが出てきてしまいます。

res_utf8 = res.decode('utf-8')
UnicodeDecodeError: 'utf-8' codec can't decode byte 0x8a in position 485: invalid start byte


インターネット上で解決方法を探してみましたが,既にダウンロードしてあるエクセルファイルなどにおける上記エラーの処理方法は見つけることができましたが,
そもそもHPを読み込む際のエラーの処理方法は見つけることができませんでした。

このエラーはどのように解決すればよいのでしょうか。

基本的な質問で申し訳ございませんが,よろしくお願いします。

  • 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
    • 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 3

+1

res.decode("utf-8", "replace") を試してみたらどうなるでしょうか?
もしくは、そのデータ、Shift_JISではないですか?(ドメインから想像)

その場合、 res.decode("sjis") かもしれません。

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。

checkベストアンサー

0

上記のようにstr型からbytes型(utf-8)に変換したいので,最後のコードにres_utf8 = res.decode('utf-8')を記載しておりますが以下のエラーが出てきてしまいます。

逆だ逆。bytesからstrに変換するためにdecodeを使います。python3(だと思うけど)の世界ではstrが文字コードを意識しなくていい、いわば一般的に使われる文字列型で、I/Oのために特定の文字コードで表したバイト列からデコードしたり、それにエンコードするという処理が必要になります。

で、そもそもUTF-8で書かれていないwebページというのは普通にあります。常にUTF-8でデコードできるという訳ではないのです。

行儀の良いサイトなら、HTMLのソースを見れば文字コードはわかるように書いてあります。ブラウザからソースを開いてcharsetみたいな言葉で検索してみるとどの文字コードが使われているかわかるのではないでしょうか。

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。

0

UnicodeDecodeError: 'utf-8' codec can't decode byte 0x8a in position 485: invalid start byte

与えられたバイナリをUTF-8として解釈しようとしたが、ある特定の位置でutf-8として解釈できない値が出てきた。というエラーです。

元の文章がUTF-8でない(正しいUTF-8でない)場合などに発生するエラーです。
tetsunosukeさんが言うようにsjisの可能性も高そうです。

HTMLファイルのエンコードを(決め打ちではなく)真面目に判定するのは結構大変なので、通常は何らかのライブラリを使います。

また、HTMLのページを取得・解析して中身を利用するのをスクレイピングといいます。

その用途で便利なツールもいろいろあるので、調べてみると良いと思います。

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。

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 88.81%
  • 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

関連した質問

同じタグがついた質問を見る