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%

  • Python

    7894questions

    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。

  • Chrome extension

    123questions

    Chrome拡張機能

本文を抽出してmecabで形態素分析したい!

受付中

回答 1

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 633

SoraSue

score 24

前提・実現したいこと

現在、chrome拡張機能を作っています。ユーザーが見たページのURLをサーバー側に送って、そのURL先のページの本文を抽出しそれをmecabで形態素分析したいです。

追加事項

(2017/09/10 19:22追加)
本文抽出したデータをデータベースに送ってみると、きちんとstr型として保存されていました。そのため、本質的に問題は以下の⑵だけになります。

発生している問題・エラーメッセージ

問題点は2つあります。
⑴str型で本文抽出ができない。←解決しました!
<Python, readability, html2text, urllib> HTMLから本文抽出。を参考に、pythonのcgiで本文を抽出しようとしました。しかし、取得したデータをjavascriptに送ってコンソールに表示させると、bytes型として出てきます。デコードしても直りませんでした。
また、

<!--: spam
Content-Type: text/html

<body bgcolor="#f0f0f8"><font color="#f0f0f8" size="-5"> -->
<body bgcolor="#f0f0f8"><font color="#f0f0f8" size="-5"> --> -->
</font> </font> </font> </script> </object> </blockquote> </pre>
</table> </table> </table> </table> </table> </font> </font> </font>


というエラーも出ていました。

⑵mecabが動かない
MeCab と mecab-ipadic-NEologd と Python3 で形態素解析を参考に、文章をmecabで形態素解析しようとしました。しかし、⑴と同じように以下のエラーが出ました。

<!--: spam
Content-Type: text/html

<body bgcolor="#f0f0f8"><font color="#f0f0f8" size="-5"> -->
<body bgcolor="#f0f0f8"><font color="#f0f0f8" size="-5"> --> -->
</font> </font> </font> </script> </object> </blockquote> </pre>
</table> </table> </table> </table> </table> </font> </font> </font>

該当のソースコード

以下が実行させたpythonコードです。

#!/usr/local/bin/python3.6

print("Content-Type: text/html; charset=UTF-8")
print()

import cgi
import cgitb; cgitb.enable()
import json
from readability.readability import Document
import urllib
import html2text
import MeCab

form = cgi.FieldStorage() #ajaxでユーザーが訪れたurlを送っています。
for key in form.keys():
    url = form.getvalue(key) #ここのurlはきちんと取得できています。
    html = urllib.request.urlopen(url)
    s = html.read()
    print(s) #bytes型として帰ってきます。
    article = Document(s).summary()
    text = html2text.html2text(article)
    text = text.decode("utf-8")
    print(text) #bytes型として帰ってきます。

    tagger = MeCab.Tagger('-d /usr/local/lib/mecab/dic/mecab-ipadic-neologd')
    tagger.parse('') #python3でmecabを実行するにはこれが必要らしいので入れました。
    input = '今週末は金剛山に登りに行って、そのあと新世界かどっかで打ち上げしましょ。' #⑴と⑵の問題を別々に検証するために、mecabにはあらかじめ用意した例文を入れます。

    result = tagger.parse(input)
    print(result)

    node = tagger.parseToNode(input)
    target_parts_of_speech = ('名詞', )
    while node:
        if node.feature.split(',')[0] in target_parts_of_speech:
            print(node.surface)
    node = node.next

試したこと

<!--: spam
Content-Type: text/html

<body bgcolor="#f0f0f8"><font color="#f0f0f8" size="-5"> -->
<body bgcolor="#f0f0f8"><font color="#f0f0f8" size="-5"> --> -->
</font> </font> </font> </script> </object> </blockquote> </pre>
</table> </table> </table> </table> </table> </font> </font> </font>


というエラーがよく出るので、このエラーについて検索してみました。その結果、これが例外処理のエラーということがわかったのですが、このエラーをどうやって直せるのかわかりません。

補足情報(言語/FW/ツール等のバージョンなど)

開発環境は以下の通りです。

  • macOS Sierra
  • python3
  • MAMP バージョン4.2
  • 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 1

0

tagger = MeCab.Tagger('-d /usr/local/lib/mecab/dic/mecab-ipadic-neologd')
を
tagger = MeCab.Tagger ("-Ochasen")
にして、
tagger.parse('')
を消したらいけるはずです。

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。

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 90.53%
  • 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

  • 受付中

    MeCab.jarの生成について

    前提・実現したいこと MeCabを使って形態素解析をしようとしています。 発生している問題・エラーメッセージ javaバインディングの際にmakeするあたりが分からずに困

  • 受付中

    形態素解析の結果の一部のみを抽出したい

    前提・実現したいこと csvファイルにある文章をPythonを経由してMeCabで形態素解析をしています。  結果を出力する際、特定の品詞(名詞、形容詞、接続詞)と原形だけ

  • 受付中

    形態素解析の結果の際pydotplus、graphvizの結果が白紙出力

    いつもお世話になっております。質問です。 実現したいこと 以下のコードの実行結果がgraph().jpgで出力されるが、真っ白で出力。 しかし画像サイズはそれぞれ別々のサイズで

  • 解決済

    pythonでMecabを利用した語彙解析がうまくできない。

    ●環境 ・Windows Edition:Windows 7 Professional  Service Pack 1 ・pythonバージョン:Python 3.6.2 (v3.

  • 解決済

    mecab 品詞 選択

    やりたいこと 選択したテキストファイル内の文章をmecabを用いて形態素解析し、 品詞(名詞、動詞など)を絞り込みたいと考えています。 現在、テキストファイルの文章を形態素解析する

  • 解決済

    エラーの原因がわかりません。。

    前提・実現したいこと 『~短期集中講座~ 土日でわかる Pythonプログラミング教室』でpythonを学んでいるのですが、エラーが出てしまい解決方法がわかりません。 Dock

  • 受付中

    1つのファイルのトピックを調べたい(LDAモデル)

    質問 LDAモデルに詳しい方に質問です。 また、以下に記すプログラムで 複数の小説のテキストファイルからLDAモデルを作成したとき、その中に含まれる 1つの文書のトピックを参照

  • 解決済

    Rで、listのnames属性を取得したい

    Rで、listのnames属性を取得して、あたらしいベクトルを作りたいです! library(RMeCab) (word <- RMeCabC("いつも答えてくれてありがとう

同じタグがついた質問を見る

  • Python

    7894questions

    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。

  • Chrome extension

    123questions

    Chrome拡張機能