前提・実現したいこと
PyQueryでログインの必要なサイトのスクレイピングを練習しています.
概ねうまくいっているのですが「Ⅲ」などの環境依存文字があると,以降のテキストを抽出できなくなってしまっています.
環境依存文字を無視して,テキストを抽出するにはどうしたらよいでしょうか.
該当のソースコード
Python
1import requests 2from urllib.parse import urljoin 3from pyquery import PyQuery as pq 4 5# セッションを開始 6session = requests.session() 7 8# ログイン 9login_info = { 10 '__event': 'ID01_001_001', 11 'service_id': 'p06', 12 'SERVICE_ID': '0', 13 'return_url': 'index.phtml', 14 'return_url_nikki': 'https://www.nikki.ne.jp/login/', 15 'pp_version': '20170213', 16 'u': '***', #ユーザ名 17 'p': '***', #パスワード 18 'submit': 'ログイン' 19} 20 21# action 22url_login = "https://grp03.id.rakuten.co.jp/rms/nid/vc" 23session.post(url_login, data=login_info) 24 25# スクレイピングの関数定義 26def scrapeNikki(targetURL, lists): 27 response = session.get(targetURL) 28 data = pq(response.content) 29 30 for count in range(9): 31 lec = data('.lecture').eq(count).text() #講義名 32 33 lists += [[lec]] 34 35 return lists 36 37url = "https://campus.nikki.ne.jp/?module=lesson&action=index&univ=%B6%E2%C2%F4%B9%A9%B6%C8%C2%E7%B3%D8&page=1" 38res = [] 39print(scrapeNikki(targetURL=url, lists=res))
出力
output
1[['プロジェクトデザイン'], [''], [''], [''], [''], [''], [''], [''], ['']]
試したこと
エンコーディングの問題かと思い,
python
1response.encoding = response.apparent_encoding
を追加しましたが,うまくいきませんでした.
また,ログインセッションを経由せず
python
1import requests 2from pyquery import PyQuery as pq 3 4def scrapeNikki(targetURL, lists): 5 data = pq(targetURL) 6 7 for count in range(9): 8 lec = data('.lecture').eq(count).text() #講義名 9 10 lists += [[lec]] 11 return lists 12 13url = "https://campus.nikki.ne.jp/?module=lesson&action=index&univ=%B6%E2%C2%F4%B9%A9%B6%C8%C2%E7%B3%D8&page=1" 14res = [] 15print(scrapeNikki(targetURL=url, lists=res))
を実行すると,一部文字化けはありますが,
output
1[['プロジェクトデザイン��'], ['修学基礎'], ['プログラミング I'], ['アルゴリズム'], ['自動制御��'], ['自動制御��'], ['自動制御��'], ['環境化学'], ['基礎生物学']]
と出力されます.
この状態でも問題ありませんので,環境文字以降も抽出できる方法があれば,教えていただきたいです.
よろしくお願いいたします.
補足情報(FW/ツールのバージョンなど)
バージョンはPython 3.6.3です.
回答1件
あなたの回答
tips
プレビュー
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。