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%
UTF-8

UTF-8は8ビット符号単位の文字符号化形式及び文字符号化スキームです。データ交換方式、ファイル形式としては、一般的にUTF-8が使われる傾向があります。

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。

HTML

HTMLとは、ウェブ上の文書を記述・作成するためのマークアップ言語のことです。文章の中に記述することで、文書の論理構造などを設定することができます。ハイパーリンクを設定できるハイパーテキストであり、画像・リスト・表などのデータファイルをリンクする情報に結びつけて情報を整理します。現在あるネットワーク上のほとんどのウェブページはHTMLで作成されています。

Q&A

解決済

3回答

1373閲覧

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

8yZJLoYaAX6fEKD

総合スコア14

UTF-8

UTF-8は8ビット符号単位の文字符号化形式及び文字符号化スキームです。データ交換方式、ファイル形式としては、一般的にUTF-8が使われる傾向があります。

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。

HTML

HTMLとは、ウェブ上の文書を記述・作成するためのマークアップ言語のことです。文章の中に記述することで、文書の論理構造などを設定することができます。ハイパーリンクを設定できるハイパーテキストであり、画像・リスト・表などのデータファイルをリンクする情報に結びつけて情報を整理します。現在あるネットワーク上のほとんどのウェブページはHTMLで作成されています。

0グッド

0クリップ

投稿2019/05/08 11:30

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3

0

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2019/05/08 11:49

tetsunosuke

総合スコア1292

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。

0

ベストアンサー

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2019/05/08 14:43

hayataka2049

総合スコア30933

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。

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2019/05/08 12:46

otolab

総合スコア763

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。

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