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

90.53%

  • Ruby

    9211questions

    Rubyはプログラミング言語のひとつで、オープンソース、オブジェクト指向のプログラミング開発に対応しています。

  • Ruby on Rails

    8636questions

    Ruby on Railsは、オープンソースのWebアプリケーションフレームワークです。「同じことを繰り返さない」というRailsの基本理念のもと、他のフレームワークより少ないコードで簡単に開発できるよう設計されています。

nokogiriと文字

解決済

回答 3

投稿

  • 評価
  • クリップ 0
  • VIEW 950

Naggy

score 24

質問内容

nokogiriを仕様してスクレイピングをしています。
プライベートなサイトを対象にしているので、サイトの構造を詳しくは書けませんが、
Shift-JISのサイトで、定期的に文章を取得するプログラムを作っています。

ある時、普段と同じような文章なのに、その文章だけ「㎏」という文字が出現した以降の文章が全て空になっていることがありました。
今まで㎏という文字が使われていた文章をparseしたことがなかったのですが、なぜかその文章だけがその文字までしか読み込めなかったのです。

これは何が原因なのでしょうか。
nokogiriと相性がわるい文字が存在するなんてことがあり得るのでしょうか。
もしそうだとすればどのような対策をとるべきでしょうか。。
文字の扱いに疎いので、上記の質問、または参考になるサイトの紹介をしていただけたら幸いです。

該当のソースコード

ソースコードは平凡なものなのであまり意味がないかもしれませんが念のため。

require 'open-uri' 
require 'nokogiri'

charset = "Shift_JIS" 
html = open(url, 'User-Agent' => 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/28.0.1500.52 Safari/537.36i') do |f|
f.read # htmlを読み込んで変数htmlに渡す
end

sleep(1)
doc = Nokogiri::HTML.parse(html, nil, charset)
doc.xpath('//div[@class="report"]').each do |node|
  str = node.inner_text
end

使用している環境

ruby 2.3.1p112 (2016-04-26 revision 54768) [x86_64-darwin15]

  • 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

+3

「㎏」(U+338F)はいわゆる機種依存文字であり、本来のShift_JISには含まれていないため、パース前の文字コード変換で失敗していると思われます。charset"Windows-31J"にして試して見てください。


【解説】

世間で「シフトJIS」と言われるものは実際は一つでは無く、多くの亜種が存在します。主に使われる、または、使われていた物は下記です。

  • Shfit_JIS … IANAに登録されている標準規格のシフトJIS
    以下は基本的にこれの拡張。
    ㎏: 割り当てなし
  • Windows-31J … Windows日本語環境でのシフトJIS
    別名CP932、MS932等(Rubyでは別名として"SJIS"も使用できる)。記号等が拡張として追加されている。一般的にシフトJISと言った場合、実際はWindows-31Jの場合がほとんどである。
    ㎏: 87 73
  • MacJapanese … Mac OS 9.xで使われていたシフトJIS
    Mac OS X(macOS 10)からは標準でUTF-8を使用するようになったため、現在は使用されることはほとんど無い。Windows-31Jと同じように記号等を拡張として追加しているが、追加した部分のコードに互換性は無い。そのため、これらの部分を機種依存文字と呼ぶようになった。
    Rubyでも認識できるが、他のエンコードとの相互変換はできない。
    ㎏: 86 4C ※ 他とは異なる
  • SJIS-DoCoMo、SJIS-KDDI、SJIS-SoftBank … 各携帯キャリアが拡張したシフトJIS
    Windows-31Jからの拡張で絵文字が追加されている。昔の携帯キャリアメールはWindows-31Jでやり取りしており、絵文字が送れるようにするため拡張した。追加された絵文字にキャリア間の互換性は無いが、キャリア間でメールをやり取りする場合は、相互に変換するように協定が結ばれている。Unicodeでの絵文字追加により、iPhone等のスマホを使っている場合はUTF-8が使われるようになっているため、今後徐々に廃れると思われる。
    ㎏: 87 73
  • Shfit_JIS-2004 … JIS X 0213に策定に伴い、JIS X 0213に基づくシフトJIS
    Shift_JISX0213とも言われる(実際はShift_JISX0213は10文字だけ少ないが、同一視される)。もともとのShift_JISはJIS X 0208を基にしており、JIS X 0213はJIS X 0208の拡張であるため、使用できる文字が増えている。増えた文字の一部はWindows-31Jにも取り入れられているが、もともとWindows-31Jで拡張していた部分(特に機種依存文字の部分)は互換性のためそのままであり、一部互換性が無い所がある。Mac OS X(macOS 10)以降はこちらにも対応している(テキストエディットやSafari等)が、ほとんど使用されていない。Rubyは対応していない。
    ㎏: 87 73

自称Shift_JISと言っているサイトのほとんどはWindows-31Jです。機種依存文字が使われている場合、Shfit_JISとして読み込みすると、処理に失敗したり、文字化けを起こしたりします。ブラウザで見ても、該当のサイトはMac等のWindows以外で見ると文字化けしている可能性が高いです。プライベートなサイトとのことですが、サイト管理者に文字化けしていることを教えて上げるといいと思います。

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。

  • 2017/02/05 16:39

    Windows-31Jにしたらうまくいきました!
    ありがとうございます!
    エンコードは本当に奥が深くてよく詰まるので、こういう丁寧な解説は助かります!

    キャンセル

0

「㎏」という文字はShift_JISには存在しないので、CP932かWindows-31Jを指定してみて下さい。

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。

0

参考情報

㎏ のことも述べられています。

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。

同じタグがついた質問を見る

  • Ruby

    9211questions

    Rubyはプログラミング言語のひとつで、オープンソース、オブジェクト指向のプログラミング開発に対応しています。

  • Ruby on Rails

    8636questions

    Ruby on Railsは、オープンソースのWebアプリケーションフレームワークです。「同じことを繰り返さない」というRailsの基本理念のもと、他のフレームワークより少ないコードで簡単に開発できるよう設計されています。