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

90.33%

  • Ruby

    8195questions

    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。

  • UTF-8

    115questions

    UTF-8は8ビット符号単位の文字符号化形式及び文字符号化スキームです。データ交換方式、ファイル形式としては、一般的にUTF-8が使われる傾向があります。

スクレイピングで文字を取得できない

解決済

回答 2

投稿

  • 評価
  • クリップ 0
  • VIEW 625

Naggy

score 24

発生している問題・エラーメッセージ

サイトから文字列を取得したいのですが特定の文字がうまく取得できません。
そのサイトのソースコードにはcharset=utf-8とあります。
utf-8としてNokogiriでパースしたのですが、
\(*^-^*)/ や (´,,・ω・,,`) といった文字列を含んでいると、それ以降の文字を読み込んでくれません。
何か対応策はないでしょうか。。

該当のソースコード

charset = "utf-8"
html = open(url) do |f|
f.read
end
doc = Nokogiri::HTML.parse(html, nil, charset)


特定の文字列を含んでいなければ問題がないのですが、その文字列があるとうまくいかないのです。

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 2

checkベストアンサー

0

nokogiriと文字
この質問が参考になるかも?
つまり文字コードが違うとか。

補足

よく見たら同じ人ですね。失礼しました。

追記
私が文字コードの置き換えでエラーが発生したときに使う方法を一応書いてみます。

html.encode('Windows-31J','UTF-8', :invalid => :replace, :undef => :replace)


今回は、まだ文字コードが問題の原因か分かっていないので
まずはotn様がおっしゃっていることを試されたら良いと思います。
参考
あのう・・な毎日

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。

  • 2017/02/20 05:00

    前回はcharset=shift-jisと記載されているけど、実際はWindows-31Jだという話で、今回はそれがcharset=utf-8なんですね。
    どう対処すればいいかがわからなくてこまっています。

    キャンセル

  • 2017/02/21 03:48

    対象のサイトが私には分からないので今の私には原因を特定することは困難です。
    以前、似たような質問を見かけたなぁと思い出して少しでも助けになればと回答しました。

    キャンセル

  • 2017/02/24 10:51

    #1,#2も問題がなかったのですが、
    いろいろ試行錯誤していたら問題は、requireした自分で作った.rbファイルに原因がありました。。。。
    本当に申し訳ないです。。
    otn様のサイトのご紹介ありがとうございました!

    キャンセル

0

\(*^-^*)/ や (´,,・ω・,,`) はすべてJISの範囲の文字なので、おかしくなることは考えられません。
本当にそういう文字ですか?

html = open(url) do |f|
f.read
end
p html.force_encoding("utf-8").valid_encoding?  #1
p html.force_encoding("utf-8").encode("Shift_JIS") #2


で、#1はtrueですかfalseですか?#2でエラーは出ますか?

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。

  • 2017/02/24 10:51

    #1,#2も問題がなかったのですが、
    いろいろ試行錯誤していたら問題は、requireした自分で作った.rbファイルに原因がありました。。。。
    本当に申し訳ないです。。

    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 90.33%
  • 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

同じタグがついた質問を見る

  • Ruby

    8195questions

    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。

  • UTF-8

    115questions

    UTF-8は8ビット符号単位の文字符号化形式及び文字符号化スキームです。データ交換方式、ファイル形式としては、一般的にUTF-8が使われる傾向があります。