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!

新規登録して質問してみよう
ただいま回答率
85.50%
スクレイピング

スクレイピングとは、公開されているWebサイトからページ内の情報を抽出する技術です。

文字コード

文字コードとは、文字や記号をコンピュータ上で使用するために用いられるバイト表現を指します。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

HTML

HTMLとは、ウェブ上の文書を記述・作成するためのマークアップ言語のことです。文章の中に記述することで、文書の論理構造などを設定することができます。ハイパーリンクを設定できるハイパーテキストであり、画像・リスト・表などのデータファイルをリンクする情報に結びつけて情報を整理します。現在あるネットワーク上のほとんどのウェブページはHTMLで作成されています。

Q&A

解決済

2回答

2739閲覧

HTMLファイルのスクレイピング (文字コード関連エラー)

hankechi78

総合スコア8

スクレイピング

スクレイピングとは、公開されているWebサイトからページ内の情報を抽出する技術です。

文字コード

文字コードとは、文字や記号をコンピュータ上で使用するために用いられるバイト表現を指します。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

HTML

HTMLとは、ウェブ上の文書を記述・作成するためのマークアップ言語のことです。文章の中に記述することで、文書の論理構造などを設定することができます。ハイパーリンクを設定できるハイパーテキストであり、画像・リスト・表などのデータファイルをリンクする情報に結びつけて情報を整理します。現在あるネットワーク上のほとんどのウェブページはHTMLで作成されています。

0グッド

0クリップ

投稿2020/07/31 10:12

編集2020/07/31 10:19

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

Python

1import codecs 2 3filepath = 'integrated2010_2020.html' 4with codecs.open(filepath, 'utf-8', 'ignore') as f: 5 html = f.read() 6 7from bs4 import BeautifulSoup 8soup = BeautifulSoup(html, 'html.parser') 9 10text = soup.get_text() 11 12print(text) 13

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MY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。

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。

guest

回答2

0

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。

python

1with codecs.open(filepath, encoding='utf-8', errors='ignore') as f: 2 html = f.read()

投稿2020/07/31 13:35

nto

総合スコア1438

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。

hankechi78

2020/08/01 00:33

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!
nto

2020/08/01 17:20

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。
hankechi78

2020/08/02 00:01

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)
guest

0

ベストアンサー

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2020/07/31 11:41

編集2020/07/31 11:44
jeanbiego

総合スコア3966

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。

hankechi78

2020/08/01 00:32

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!
guest

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

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
85.50%

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る

質問する

関連した質問