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

87.37%

Pythonでエンコードのエラーです。

解決済

回答 2

投稿

  • 評価
  • クリップ 0
  • VIEW 1,465

score 2

python初心者です。
pythonでスクレイピングの勉強をしている者です。

HTTPヘッダーからエンコーディングを取得するところで、
以下のプログラムを実行しました。

import sys
import requests

url = sys.argv[1]  # 第1引数からURLを取得する。
r = requests.get(url)  # URLで指定したWebページを取得する。
print(f'encoding: {r.encoding}', file=sys.stderr)  # エンコーディングを標準エラー出力に出力する。
print(r.text)  # デコードしたレスポンスボディを標準出力に出力する。

環境はWindowsです。
これをコマンドプロンプト実行すると、エラーが出てきます。

>python requests_header_encoding.py https://gihyo.jp/dp > dp.html

すなわち、技術評論社のページのHTMLの内容を,dp.htmlに書き込んで、
保存したいです。

しかし、以下のエラーが出てきます。

Traceback (most recent call last):
File "requests_header_encoding.py", line 7, in <module>
print(r.text)  # デコードしたレスポンスボディを標準出力に出力する。
UnicodeEncodeError: 'cp932' codec can't encode character '\xa9' in position 40664: illegal multibyte sequence

このエラーについて、調べてみましたが、
これにあった解決方法が見つからず、困っています。

また、

>python requests_header_encoding.py https://gihyo.jp/dp 


で実行すると、
HTMLの内容は表示されます。
実行結果は以下の通り

>encoding: utf-8
<!DOCTYPE HTML>
<html lang="ja" class="pc">
<head>
  <meta charset="UTF-8">。。。以下省略

この現象の意味がよく分かりません。
解決法をご教授いただければ幸いです。

  • 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

  • Lhankor_Mhy

    2020/06/09 12:53

    sys.stdout.encoding はなんですか?

    キャンセル

回答 2

checkベストアンサー

0

以下のように標準出力のエンコードを指定すればうまくいくと思います。

import io
import sys
import requests

# 標準入出力からのリダイレクトの文字コードを「utf-8」にする
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='utf-8')

url = sys.argv[1]  # 第1引数からURLを取得する。
r = requests.get(url)  # URLで指定したWebページを取得する。

print(f'encoding: {r.encoding}', file=sys.stderr)  # エンコーディングを標準エラー出力に出力する。
print(r.text)  # デコードしたレスポンスボディを標準出力に出力する。

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。

  • 2020/06/09 14:19

    ご回答いただき誠にありがとうございました。うまくいけました。また一つ勉強になりました。
    ありがとうございました。

    キャンセル

0

2つ目の現象について説明します。原因は標準出力のエンコーディングが異なるためです。
次のコードをenc_test.pyとして保存して下さい。

import sys
print(sys.stdout.encoding)


これをリダイレクトなしの場合とありの場合で結果を比較しますと

python enc_test.py


とした場合の結果はutf8ですが

python enc_test.py > result.txt


とリダイレクトを使った場合はcp932になります。したがってリダイレクトを使用した場合にエラーとなったのはutf8からcp932への変換が行われたためです。

またr.textをリダイレクトしてファイルに保存する方法をあまり推奨しません。requestsパッケージによって推定されてstr型に変換されたr.textではなく画像等と同じbyte型のr.contentをそのまま保存する方が良いです。すなわち

with open('dp.html', 'rb') as f:
    f.write(r.content)


とした方が根本的な解決になります。

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。

  • 2020/06/11 09:51

    返信が遅れてしまってすみません。
    詳細にご回答いただきありがとうございます。
    これから、いただいたコメントに沿って試してみます。
    勉強になります。ありがとうございました。

    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 87.37%
  • 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