[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 613
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
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。
- 質問回答など一定の行動
-
メールアドレスの認証
メールアドレスの認証
-
質問評価に関するヘルプページの閲覧
質問評価に関するヘルプページの閲覧
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。
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 88.33%
- 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
2020/07/13 15:08
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.
2020/07/13 15:21 編集
url1 = "https://wiki.ポケモン.com".encode("idna").decode("us-ascii")
2020/07/13 16:21
ご対応いただきありがとうございます.