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

89.06%

HTMLファイルのスクレイピング (文字コード関連エラー)

解決済

回答 2

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 94

hankechi78

score 2

前提・実現したいこと

計量テキスト分析の前準備として、htmlファイルからテキストをスクレイピングしたいと思っています。

(質問の詳細)
PythonのBeautifulSoupを使用して、PCに保存されたローカルなhtmlファイル(本文はフランス語)からテキストを抽出するプログラムを実装したいのですが、以下のようなエラーコードが表示されます。

発生している問題・エラーメッセージ

エンコーディングの関連のエラーと思われます。

Traceback (most recent call last):
  File "lemonde_test.py", line 4, in <module>
    with codecs.open(filepath, 'utf-8', 'ignore') as f:
  File "/Users/hankechi78/.pyenv/versions/3.8.2/lib/python3.8/codecs.py", line 905, in open
    file = builtins.open(filename, mode, buffering)
ValueError: invalid mode: 'utf-8b'

該当のソースコード

import codecs

filepath = 'integrated2010_2020.html'
with codecs.open(filepath, 'utf-8', 'ignore') as f:
    html = f.read()

from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'html.parser')

text = soup.get_text()

print(text)

試したこと

(1)解析不能な文字列を無視するべくcodecsを試したのですが、引き続き原因不明のエラーが発生します。
(2)「ValueError: invalid mode: 'utf-8b'」で検索をかけましたが有用な情報が得られませんでした(そもそも'utf-8b'の'b'が何なのか調べてもよくわかりませんでした)。
(3)フランス語はutf-8かutf-16との情報を見かけたので、utf-16でも試しましたが同じエラーコードが発生しました。

補足情報(FW/ツールのバージョンなど)

Mac OS, python 3.8.2です。

今回のエラーと関係あるかわかりませんが、元々webarchive形式だったものをtextutilコマンドでhtml形式に変換し、スクレイピングを試みています。

以下に問題のhtmlファイルの抜粋を掲載いたします。
(なお、エラーコードにある「905行目」は、同ファイルの905行目を指しているとすれば、以下のような形式です。
<p class="p7"><span class="s1">(フランス語テキスト(諸事情により掲載不可です))<span class="Apple-converted-space"> </span></span></p>)

<以下、抜粋>
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01//EN" "http://www.w3.org/TR/html4/strict.dtd">
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8">
<meta http-equiv="Content-Style-Type" content="text/css">
<title></title>
<meta name="Generator" content="Cocoa HTML Writer">
<meta name="CocoaVersion" content="1894.6">
<style type="text/css">
p.p1 {margin: 0.0px 0.0px 0.0px 0.0px; font: 11.0px Arial; color: #000000; -webkit-text-stroke: #000000}
<中略>
p.p23 {margin: 0.0px 0.0px 0.0px 0.0px; text-align: justify; line-height: 18.0px; font: 12.0px Arial; color: #262626; -webkit-text-stroke: #262626}
span.s1 {font-kerning: none}
<中略>
span.s13 {font-kerning: none; background-color: #000000; text-shadow: 0.0px 0.0px 2.0px rgba(128, 128, 128, 0.5)}
td.td1 {width: 80.0px; margin: 0.5px 0.5px 0.5px 0.5px; padding: 1.0px 1.0px 1.0px 1.0px}
<中略>
td.td16 {width: 128.3px; margin: 0.5px 0.5px 0.5px 0.5px; padding: 1.0px 1.0px 1.0px 1.0px}
</style>
</head>
<body>
<p class="p1"><span class="s1"><img src="file:///Docviewer.aspx.gif" alt="Docviewer.aspx.gif"></span></p>
<p class="p2"><span class="s1">Le Monde<span class="Apple-converted-space"> </span></span></p>
<p class="p1"><span class="s1">International, jeudi 30 juillet 2020 711 mots, p. 3<span class="Apple-converted-space"> </span></span></p>
<p class="p3"><span class="s1">International<span class="Apple-converted-space"> </span></span></p>
<p class="p4"><span class="s2"><b>Aussi paru dans</b></span></p>
<table cellspacing="0" cellpadding="0">
<tbody>
<tr>
<td valign="top" class="td1">
<p class="p4"><span class="s3">28 juillet 2020</span></p>
</td>
<td valign="top" class="td2">
<p class="p4"><span class="s3">-<span class="Apple-converted-space"> </span></span></p>
</td>
<td valign="middle" class="td3">
<p class="p5"><span class="s1">Le Monde (site web)</span></p>
</td>
</tr>
<tr>
<td valign="top" class="td1">
<p class="p4"><span class="s3">29 juillet 2020</span></p>
</td>
<td valign="top" class="td2">
<p class="p4"><span class="s3">-<span class="Apple-converted-space"> </span></span></p>
</td>
<td valign="middle" class="td3">
<p class="p5"><span class="s1">La Matinale du Monde</span></p>
</td>
</tr>
</tbody>
</table>
<p class="p6"><span class="s1"><b>L'euthanasie d'une malade incurable relance un débat national au </b></span><span class="s4"><b>Japon</b></span></p>
<p class="p3"><span class="s1">Deux médecins avaient reçu de l'argent peu avant le décès, selon la police</span></p>
<p class="p1"><span class="s1">Philippe Mesmer</span></p>
<p class="p7"><span class="s1">Tokyo correspondance - L'arrestation de deux médecins soupçonnés d'avoir aidé à mourir une femme atteinte de la maladie de Charcot (la sclérose latérale amyotrophique) relance le débat sur l'euthanasie au </span><span class="s4">Japon</span><span class="s1">. La police a révélé, lundi 27 juillet, que les praticiens avaient reçu 1,3 million de yens (environ 10 500 euros) de Yuri Hayashi, 51 ans, quelques jours avant son décès en novembre 2019. Un sédatif a été retrouvé dans le corps de la femme. Accusés de meurtre, les deux médecins ont été arrêtés le 23 juillet.<span class="Apple-converted-space"> </span></span></p>
<以下略>

  • 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 2

checkベストアンサー

+1

引数を与える位置がおかしいため、読み書きmodeとしてutf-8が指定されています。で、モードは内部で"b"を付与するので"utf-8b"なんてmodeはないよと言われているようです。

codecs.open(filename, mode='r', encoding=None, errors='strict', buffering=-1)
codecs.open

with codecs.open(filepath, mode='r', encoding='utf-8', erros='ignore') as f:
などのように引数を与えてあげると改善しそうな気がします。

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。

  • 2020/08/01 09:32

    迅速にご教示いただきありがとうございました。一番早く的確だったのでベストアンサーとさせていただきました。
    引き続き、スクレイピング希望対象のテキストが全て抽出できない問題が生じているのですが、改めてHTMLについて勉強して試行錯誤してみます。
    ありがとうございました!

    キャンセル

+1

エラーコードは、htmlの905行目が間違えているというものではありません。
説明についてはjeanbiegoさんが解説してくれている通りで
引数の与え方によりcodes.open関数内の905行目でエラーが生じたという内容となります。

実際にテストした所以下の引数の与え方で正常にテキストの出力ができました。

with codecs.open(filepath, encoding='utf-8', errors='ignore') as f:
    html = f.read()

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。

  • 2020/08/01 09:33

    適切なソースコードからエラーコードの意味まで丁寧にご回答いただきありがとうございました。
    引き続き、スクレイピング希望対象のテキストが全て抽出できない問題が生じているのですが、改めてHTMLについて勉強して試行錯誤してみます。
    ありがとうございました!

    キャンセル

  • 2020/08/02 02:20

    どの様な形でのエラーでしょうか?
    掲題のコードを修正した上で抽出できないということでしょうか?
    掲題とは別途の形でのエラーであれば再度質問から出していただければと思います。

    キャンセル

  • 2020/08/02 09:01

    ありがとうございます。
    エラーメッセージが表示されるのではなく、膨大なテキストのうち何故かごく一部分しか抽出されないという問題でしたが、HTMLの構造を見て目的のテキストの含まれている位置を確認し、以下のように記述しtxtファイルに書き込んだところ成功しました。

    from bs4 import BeautifulSoup
    soup = BeautifulSoup(html, 'lxml')

    body = soup.find("body").text

    with open('ファイル名.txt', 'w') as fp:
    print(body, file=fp)

    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 89.06%
  • 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