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

90.48%

  • JavaScript

    16957questions

    JavaScriptは、プログラミング言語のひとつです。ネットスケープコミュニケーションズで開発されました。 開発当初はLiveScriptと呼ばれていましたが、業務提携していたサン・マイクロシステムズが開発したJavaが脚光を浴びていたことから、JavaScriptと改名されました。 動きのあるWebページを作ることを目的に開発されたもので、主要なWebブラウザのほとんどに搭載されています。

  • Node.js

    1933questions

    Node.jsとはGoogleのV8 JavaScriptエンジンを使用しているサーバーサイドのイベント駆動型プログラムです。

[Node.js]cherrio-httpcliが文字化けする

解決済

回答 3

投稿

  • 評価
  • クリップ 0
  • VIEW 1,131

yohira0616

score 237

Webクローラーを作ろうと思ってcherrio-httpcliを使ってみたのですが、文字化けをして詰まりました。。。

環境:Mac OS X El Capitan
     Node v5.7.0

package.json

{
  "name": "node-crowler",
  "version": "1.0.0",
  "description": "",
  "main": "index.js",
  "scripts": {
    "test": "echo \"Error: no test specified\" && exit 1"
  },
  "author": "",
  "license": "ISC",
  "devDependencies": {
    "buffer": "^4.5.0",
    "cheerio-httpcli": "^0.6.5",
    "gulp": "^3.9.1",
    "gulp-typescript": "^2.12.1",
    "iconv": "^2.1.11",
    "request": "^2.69.0",
    "tsd": "^0.6.5"
  }
}

getpage.js

var client = require('cheerio-httpcli');

//yahooのトップページを取得する
var url = "http://www.yahoo.co.jp";

client.fetch(url, function (err, $, res) {
    var body = $.html();
    console.log(body);
});


以下のコマンドにより実行

$ node src/getpage.js > result

resultを見ると、日本語の部分が

<h2>&#x30E4;&#x30D5;&#x30FC;&#x304B;&#x3089;&#x306E;&#x304A;&#x77E5;&#x3089;&#x305B;</h2>


のように文字化けしている。

調べてみたところ、特に設定をしなくてもライブラリ側でよろしく文字コードを処理してくれるのがcherrio-httpcliらしいですが、私のPCではきっちり文字化けしてしまっています。。。

cherrio-httpcli#fetchの第二引数に"sjis"や"utf8"を指定しても解決しませんでした。
手詰まりになったので質問させていただきます。よろしくお願いしますm(__)m

  • 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
    • 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 3

checkベストアンサー

+1

文字化けではなく、数値文字参照として変換されてるようです
文字参照 - Wikipedia

JavaScript で日本語に戻すには、要素の innerHTML に入れて、 textContent を取得すればできると思いますが、Node.js ではこの方法は使えなそうです

npm を調べてみるとこのライブラリで変換できそうです
https://www.npmjs.com/package/he

cherrio-httpcli 自身に日本語で取得機能があるかはわからないですが、ぐぐってみると数値参照になることに愚痴を言ってる人をみかけたのでもしかすると、日本語のまま取得することはできないのかもです

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。

  • 2016/04/03 01:34

    ありがとうございます。
    he#encodeをかませると数値参照を日本語に切り替えることができました。
    $({cssセレクタ})で要素を絞り込んで、出力するときにその要素に対してhe#encodeをかませれば任意の要素を日本語で取れそうですね。

    キャンセル

0

0.3.0以降だとcallbackの第4引数から元のbodyが取れるようになっているようです。

以下引用

jQueryっぽいオブジェクトじゃなくて素のhtmlが欲しいんだけど

$.html()で取得できます。
追記:$.html()はcheerioがパースしたDOMを再構築したもののようなので、厳密には元のHTMLとは異なります。バージョン0.3.0からfetch()のコールバック関数の第4引数に元のHTML(UTF-8に変換済み)をセッ>トするようにしました。

以下のような感じでとれるようになります。

var client = require('cheerio-httpcli');

//yahooのトップページを取得する
var url = "http://www.yahoo.co.jp";

client.fetch(url, function (err, $, res, body) {
    console.log(body);
});

参考資料

Node.js用のスクレイピングモジュール「cheerio-httpcli」の紹介

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。

  • 2016/04/03 01:32

    ありがとうございます。
    第4引数の値をconsole.logで取ってみましたが、body要素が表示できました。

    キャンセル

0

この現象は、cheerio.load()実行時に渡せる引数 option の decodeEntity を false にしてやることで変換を無効化して出力できるのですが…

どうも cheerio-httpcli は外側から cheerio.load() に対して option を渡せないようですね。

行われている事は平文をHTMLEntity文字列へ変換しているだけなので、出力結果に対してdecode処理をかけてやれば復元は可能だと思います。

html-entitiesのようなデコードできるライブラリを使ってみてはどうでしょうか。

 

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。

  • 2016/04/03 01:34

    ありがとうございます。cherrioのほうも触ってみます。

    キャンセル

関連した質問

  • 解決済

    gulpのエラー Cannot find module

    gulpのエラーに関しまして、以下の対処法をご教示ください。 Error: Cannot find module 'orchestrator' at Function.Mo

  • 解決済

    csscombの設定について

    現在、gulpでsassとcsscombを利用しています。 そこでどうしてもつまづいたので相談させてください。 a { &:link { color: #00

  • 解決済

    ejs: 出力されたファイルがHTML形式にならない

    前提・実現したいこと ejsを使ってHTMLファイルを出力 発生している問題・エラーメッセージ 出力されたファイルがejs形式 該当のソースコード var gul

  • 解決済

    gulp の watch 制御

    gulp で imagemin を使用して画像を圧縮しているのですが、 ひとつ画像が増える(もしくはアップデートする)と 対象フォルダの全画像に対して圧縮をかけてしまうので、 画像

  • 受付中

    gulpのエラーメッセージのアイコンを変えたい

    実現したいこと 初めて質問させていただきます。 質問内容は、簡潔にいうと、 「添付画像の赤枠で囲った部分のアイコンを任意のものに変更する方法はあるでしょうか?」 というもので

  • 解決済

    gulpで画像を同時に削除したい

    前提・実現したいこと gulpで「src」フォルダをwatchして、コンパイルや画像圧縮などをして「product」フォルダに出力しているようにしています。 今回実現したいのは、た

  • 解決済

    gulpでpugをコンパイルする時に、brタグの出力形式を変える方法

    gulpでpugをコンパイルする時に、gulp-pugのプラグインを使っています。 pugで下記のように改行のテキストを書くと、htmlでの改行タグは <br /> のように出

  • 解決済

    Gulp npm run watch をしたときにエラーがでる。

    Gulpを使って、npm run watchを実行したとき、 Cannot find module gulp-cachedというエラーがでました。 このモジュールがないことはわ

同じタグがついた質問を見る

  • JavaScript

    16957questions

    JavaScriptは、プログラミング言語のひとつです。ネットスケープコミュニケーションズで開発されました。 開発当初はLiveScriptと呼ばれていましたが、業務提携していたサン・マイクロシステムズが開発したJavaが脚光を浴びていたことから、JavaScriptと改名されました。 動きのあるWebページを作ることを目的に開発されたもので、主要なWebブラウザのほとんどに搭載されています。

  • Node.js

    1933questions

    Node.jsとはGoogleのV8 JavaScriptエンジンを使用しているサーバーサイドのイベント駆動型プログラムです。