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

88.92%

[python] 日本語文字を含むURLにurllib.request.urlopenでアクセスしたい

解決済

回答 1

投稿

  • 評価
  • クリップ 0
  • VIEW 236

kureid

score 1

前提・実現したいこと

python3で,htmlからtableタグの部分をcsv化するプログラムを作成しています.

url = "https://wiki.ポケモン.com/wiki/種族値一覧_(第八世代)
として,
html = urllib.request.urlopen(url)
で指定したwebページを開こうとしても,
'latin-1' codec can't encode characters in position 5-8: ordinal not in range(256)
​というエラーメッセージが表示され,開くことができません.

発生している問題・エラーメッセージ

'latin-1' codec can't encode characters in position 5-8: ordinal not in range(256)

該当のソースコード

import urllib.request
from urllib.parse import urlparse
import csv
from bs4 import BeautifulSoup
import requests

url1 = "https://wiki."
url2 = "ポケモン"
url3 = ".com/wiki/"
url4 = "種族値一覧_(第八世代)"

url = "https://wiki.ポケモン.com/wiki/種族値一覧_(第八世代)"
html = urllib.request.urlopen(url)


soup = BeautifulSoup(html, 'html.parser')
#HTMLからtableタグの部分をすべて取得
table = soup.find_all("table")

for tab in table:
  table_className = tab.get("class")
  print(table_className)
  if table_className[0] == "bluetable r sortable jquery-tablesorter":
    with open("Pokemon_Base_stats", "w", encoding='utf-8') as file:
      writer = csv.writer(file)
      rows = tab.find_all("tr")
      for row in rows:
        csvRow = []
        for cell in row.findAll(['td', 'th']):
          csvRow.append(cell.get_text())
        writer.writerow(csvRow)
    break

試したこと

エラーメッセージの検索をかけたところ,日本語部分の文字コードの問題だということだったので,
日本語部分をurllib.parse.quote()でエンコードしてurlを構築する方法を試してみました.

url1 = "https://wiki."
url2 = "ポケモン"
url3 = ".com/wiki/"
url4 = "種族値一覧_(第八世代)"
url = url = url1 + urllib.parse.quote(url2) + url3 + urllib.parse.quote(url4)


結果は同様のエラーメッセージが出力されました.

また,
https://qiita.com/mix/items/87d094414e46f857de45
こちらのページにて実行されていた

html = urllib.request.urlopen(urllib.parse.quote_plus(url, "/:?=&"))


というエンコード方法や,

url = "https://wiki.ポケモン.com/wiki/種族値一覧_(第八世代)"
p = urlparse(url)
query = urllib.parse.quote_plus(p.query, safe='=&')
url = '{}://{}{}{}{}{}{}{}{}'.format(
    p.scheme, p.netloc, p.path,
    ';' if p.params else '', p.params,
    '?' if p.query else '', query,
    '#' if p.fragment else '', p.fragment)
print (url)
html = urllib.request.urlopen(url)


このようなエンコード方法を試してみました.
こちらの方法の場合,エラーメッセージは

'ascii' codec can't encode characters in position 10-14: ordinal not in range(128)


となりました.

補足情報(FW/ツールのバージョンなど)

仮想環境
Google Colaboratory

実機環境
iMac macOS Catalina
python 3.8.1

となっております.

  • 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

+2

ホスト名部分は、エンコード方法が違います。

url1 = "https://wiki.ポケモン.com".encode("idna")

url2 = urllib.parse.quote("/wiki/種族値一覧_(第八世代)")

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。

  • 2020/07/13 15:08

    ご回答いただきありがとうございます.
    ご指摘いただいたコードでエンコードをしたのですが,url1とurl2の連結がうまくいきません.

    url1 = "https://wiki.ポケモン.com".encode("idna")
    url2 = urllib.parse.quote("/wiki/種族値一覧_(第八世代)")
    url = url1+ url2
    このように連結した場合は
    TypeError: can't concat str to bytes
    のエラーが発生しました.

    url = str(url1)+ url2
    このように連結した場合は,urlが
    url = b'https://wiki.xn--rckteqa2e.com'/wiki/%E7%A8%AE%E6%97%8F%E5%80%A4%E4%B8%80%E8%A6%A7_%28%E7%AC%AC%E5%85%AB%E4%B8%96%E4%BB%A3%29
    というような文字列になり,
    URLError: <urlopen error unknown url type: b'https>
    というエラーメッセージが出たほか,https~部分をアドレスバーに入力してもwebページにアクセスすることができませんでした.

    簡単に調べてみましたが,解決することができませんでした.
    お手数ですが,再度ご教授いただければ幸いです.

    キャンセル

  • 2020/07/13 15:21 編集

    失礼しました。encodeしたら、decodeが必要ですね。
    url1 = "https://wiki.ポケモン.com".encode("idna").decode("us-ascii")

    キャンセル

  • 2020/07/13 16:21

    無事にwebページにアクセスすることができました.
    ご対応いただきありがとうございます.

    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 88.92%
  • 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