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

87.78%

Pythonにて絵文字と特殊記号を削除したいです。

解決済

回答 1

投稿

  • 評価
  • クリップ 0
  • VIEW 5,376

score 19

PythonにてWebスクレイピングを行っているのですが、一文の中に絵文字、特殊記号(♡など)のいずれかが混じっており、どちらの場合でも削除したいと思っております。

というのも、スクレイピングで取得したデータをCSVに出力する際に、エラーが起きてしまいます。

絵文字の削除については、
https://qiita.com/yoshimo123/items/85331d881aed9ad41020
↑こちらを参考にして成功しました。

絵文字があった場合でも、それを削除してCSVに書き出せるようにしてはいたのですが、
今度は特殊文字(今回はハート[環境依存文字])があったためか、以下のエラーが起こります。

UnicodeEncodeError: 'cp932' codec can't encode character '\u2661' in position 91: illegal multibyte sequence

コード(一部省略)は以下のような形です。

(前略)
# 絵文字の削除
def remove_emoji(stc_str):
    return ''.join(c for c in stc_str if c not in emoji.UNICODE_EMOJI)

# メイン処理
def scraping()
  with open("output.csv", "w") as f:

    ##### データ取得処理(省略) #####

    # CSV書き出し
    f.write(remove_emoji(data1[count]) + "," data2[count] "\n")
    count += 1

scraping()

このプログラムに、特殊記号を削除する処理を追加しました。

https://codeday.me/jp/qa/20190227/317129.html
https://hacknote.jp/archives/19937/

↑これらのサイトを参考に(というかほぼそのまんまですが)して、

# 特殊記号の除去
def remove_specialcode(text):
    unicodedata.normalize("NFKD", text).encode("ascii", "ignore")

  #データ取得の処理のところで、
    data1.append(remove_specialcode(str.get_text()))

  # CSV書き出し
    f.write(remove_emoji(data1[count]) + "," data2[count] "\n")
    count += 1

このようにすると、以下のようなエラーが起きてしまいます。

TypeError: 'NoneType' object is not iterable

おそらく文字コードの問題なのかと思うのですが、正直なところ全くと言っていいほどわからないため、
申し訳ないですが、教えていただきたいです。

絵文字と特殊記号の両方を削除したうえで、CSVを出力させたいと思っております。

ご教示の程よろしくお願い致します。

  • 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。

質問への追記・修正、ベストアンサー選択の依頼

  • yumetodo

    2019/06/20 19:23

    今どきShift-JIS(cp932)で扱わざるを得ない状況ってかなり限定的で(Windowsですらメモ帳のデフォルトの文字コードがUTF-8になる時代だしWebページの90%以上はUTF-8が使われている時代、C++という低級操作も書ける言語ですらC++20でchar8_t型というUTF-8な文字型を追加する時代)、さらに他の文字コードを扱わざるを得ない場合でもUnicodeのいずれかのエンコード(UTF-8/16/32)を介して扱う時代だということを押さえておくと良いと思います。

    キャンセル

  • yumetodo

    2019/06/20 19:24

    Unicodeのなんたるかについては
    C++標準化委員会、ついに文字とは何かを理解する: char8_t
    https://qiita.com/yumetodo/items/54e1a8230dbf513ea85b
    の前半もお読みいただければ幸いです

    キャンセル

  • umai29

    2019/06/20 21:19

    詳しい情報ありがとうございます。
    全体的に勉強不足なので、こういった背景も勉強して知識を深めていきたいと思います。

    キャンセル

回答 1

checkベストアンサー

+2

open("output.csv", "w")のときにopen("output.csv", "w", errors="ignore")とすれば、とりあえずshift-jisに変換できないコードは除去してくれるんじゃないでしょうか。

https://docs.python.org/ja/3/library/functions.html#open

下の方のコードは全体的に「すごくへん」です。

# 特殊記号の除去
def remove_specialcode(text):
    unicodedata.normalize("NFKD", text).encode("ascii", "ignore") 
    # ↑日本語だろうにasciiにしちゃっていいのか。いや、それ以前に返り値をどこにも入れてないから無意味

    #データ取得の処理のところで、
    data1.append(remove_specialcode(str.get_text()))
    # ↑strってなんですか。どうして再帰しているのですか。再帰したとして、この関数はreturn文なさそうなのでNoneが返るんじゃないでしょうか

    # CSV書き出し
    f.write(remove_emoji(data1[count]) + "," data2[count] "\n")
    count += 1
    # 文字列結合演算子の+がいくつか足りない気がする……

まだPythonに(あるいはプログラミングに)不慣れな方なのだと思います。ある程度思い通りに書けるようになるまでは、努力が要ります。勉強しましょう。


あと、コピペで継ぎ接ぎを重ねていくと最終的にとんでもないコードが出来上がるので、特に不慣れなうちはできるだけ全体を自分で書いた方が良いです。

そしてそういう状態のものに対する助言を他人に求めても、「なんだこのマキ○ソ」みたいな反応されますので、自分で綺麗にするしかないことが多いです。

意味わからないものは打ち込むな、が基本。

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。

  • 2019/06/19 22:43

    ご回答ありがとうございます。
    おっしゃる通り、Pythonのコーディングは最近始めたばかりで、まだまだ不慣れです。便利だなと思うこともありますが、インデントにも戸惑うことが多々あります。

    open("output.csv", "w", errors="ignore")に変更したことで、問題は解決できました!
    ありがとうございます!

    上記のソースコードにも数々のご指摘ありがとうございます。
    return すらつけ忘れてしまっていました。あと、一部省略したためか、全体的に意味不明なコードになってしまいました。ダメダメです。

    もっと勉強しないといけないですね。頑張ります。

    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 87.78%
  • 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

同じタグがついた質問を見る