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

88.79%

複数のファイルから文字化けせずにデータを取得したい。

解決済

回答 1

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 1,180

FKM

score 1480

今度はPerlに対する質問です。

ある業務において、複数のcsv、sql、テキストファイルからデータを抽出し、重複したデータを削除した上で、一つのテキストファイルに全データを集約しようとして、以下のプログラムを記述しました。

使用環境はWindows10上のコマンドプロンプトです。

# 定義
use warnings; #警告文を表示
use strict; #型宣言など厳格なルールを警告する
use utf8; #utf8を使用しますという宣言
use Encode;
binmode STDIN, ':encoding(utf8)';
binmode STDOUT, ':encoding(utf8)';
binmode STDERR, ':encoding(utf8)';

#ディレクトリを開く
my @filepaths = glob("./all_issues/*");

#ディレクトリを横断して全ファイルの内容を取得
my $stream = ""; 
foreach my $filename (@filepaths){ 
    open(IMP,$filename);
    #ファイル内の全データ取得
    while(my $content = <IMP>){
        getData(\$stream,$content);
    }
    close(IMP); #ファイルを閉じる
}
#print $stream;
#重複データを削除する
my @ar_content = split(/\r\n/, $stream);
#ソート
@ar_content = sort {$a cmp $b } @ar_content;
#重複を削除
my %hash = ();
foreach (@ar_content){
    $hash{$_}++;
}
my @unique = keys %hash;
#文字列に展開する
foreach my $tmp(@unique){
    $stream = $tmp;
}
#エンコード
$stream = Encode::encode('utf-8',$stream);
#ファイルに書き込む
 open(DATAFILE, ">> stream.txt") or die("Error");
 print DATAFILE $stream; 

#データを取得する##########################################################
sub getData{
    my($stream,$filecontent) = @_; #複数の変数を受け取る
    #chomp($filecontent); #Eof削除
    $$stream .= $filecontent; 
}

ですが、元のファイルのエンコードが、UTF-8、Shift-JIS、euc-jpなど混在しているため、出力したデータの部分部分が文字化けしてしまい、困っています。

試してみたこと

エンコードの問題なのはわかっているので、
Encode::encode()のほかEncode::decode()、その他Encode::fromto()などもためしてみましたが、どれも決定的な解決とは至らず困っています。また、utf-8を指定した際に、Wide character in printというエラーも表示されることがあり、いろいろとページを巡回したのですが、文字化けの解消法が見つかりませんでした。

こちらも引き続き調査しているのですが、解決法をご教示いただけると助かります。

```

  • 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 1

checkベストアンサー

+1

perlでの日本語処理の要諦については昔回答したものがあるので参考にしてください。
https://teratail.com/questions/127212

ここではさらにファイルごとに文字コードの判別を行う必要があります。
https://allabout.co.jp/gm/gc/455808/

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。

  • 2019/05/31 21:19

    ありがとうございます、さっそくリンク先を閲覧して、試してみましたが、新たな壁にぶつかりました。

    perhaps you forgot load cp932 or euc-jp?となっていて、調べたらguess_encoding関数において、どちらか判別できないというものでした。これも調べているのですが、たいてい、信用できない情報なので手動でやるのが望ましいみたいな記事ばかりです。

    キャンセル

  • 2019/06/01 14:11

    shift-jisの判定ですが、こうしたテキストには文字コードを示す目印のようなものが存在しているわけではなく、文字の出現パターンを統計的にチェックして判定するしかないのです。なのでたとえば100行の英文の下に1行の短い日本語の要約がついているみたいなテキストでは判別できないです。こういう場合、ファイル名その他から使われている文字コードを見極めて個別に対応するしかないでしょう。

    キャンセル

  • 2019/06/02 20:31 編集

    わかりました、それしか方法がないようですね。

    結局出力前に、ファイルのエンコードを統一して対応しました。

    キャンセル

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 88.79%
  • 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