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
87.20%
Google Colaboratory

Google Colaboratoryとは、無償のJupyterノートブック環境。教育や研究機関の機械学習の普及のためのGoogleの研究プロジェクトです。PythonやNumpyといった機械学習で要する大方の環境がすでに構築されており、コードの記述・実行、解析の保存・共有などが可能です。

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

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。

selenium

Selenium(セレニウム)は、ブラウザをプログラムで作動させるフレームワークです。この原理を使うことにより、ブラウザのユーザーテストなどを自動化にすることができます。

解決済

python base64 pdf化 日本語 表示されない

tttkkk
tttkkk

総合スコア38

Google Colaboratory

Google Colaboratoryとは、無償のJupyterノートブック環境。教育や研究機関の機械学習の普及のためのGoogleの研究プロジェクトです。PythonやNumpyといった機械学習で要する大方の環境がすでに構築されており、コードの記述・実行、解析の保存・共有などが可能です。

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

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。

selenium

Selenium(セレニウム)は、ブラウザをプログラムで作動させるフレームワークです。この原理を使うことにより、ブラウザのユーザーテストなどを自動化にすることができます。

1回答

0評価

0クリップ

103閲覧

投稿2022/09/21 22:47

下記サイトを参考にpythonにてchromeヘッドレスブラウザで表示したWEBページをバイナリデータ(base64)として取得し、
pdfに変換しようとしました。
https://qiita.com/mochi_yu2/items/a845e52b8aa677f132bf
しかし、どのサイトでも日本語がpdfに変換されず、pdf上では日本語の部分が空白になってしまいます。
pdfに日本語も問題なく表示させるにはどのようにしたらよろしいのでしょうか。

英語のサイトであったり、同じサイトでも日本語バージョンと英語バージョンがある場合、英語バージョンでは問題なくWEBページをpdf化することができております。

実行環境は以下です。
google colab
python 3.7.14
windows10 (ローカル環境)

以下にサンプルコードを記載いたします。

python

# 参考サイト # https://qiita.com/mochi_yu2/items/a845e52b8aa677f132bf ! pip install selenium from selenium import webdriver from selenium.webdriver.chrome.options import Options import base64 import chardet import time !apt-get update !apt install chromium-chromedriver !cp /usr/lib/chromium-browser/chromedriver /usr/bin options = webdriver.ChromeOptions() options.add_argument('--headless') options.add_argument('--no-sandbox') options.add_argument('--disable-gpu') browser = webdriver.Chrome('chromedriver', options = options) def save_to_pdf(driver, file_path): parameters = { "printBackground": True, # 背景画像を印刷 "paperWidth": 8.27, # A4用紙の横 210mmをインチで指定 "paperHeight": 11.69, # A4用紙の縦 297mmをインチで指定 # "displayHeaderFooter": True, # 印刷時のヘッダー、フッターを表示 } # Chrome Devtools Protocolコマンドを実行し、取得できるBase64形式のデータをpdfへデコードして保存。 pdf_base64 = driver.execute_cdp_cmd("Page.printToPDF", parameters) pdf = base64.b64decode(pdf_base64["data"]) print(chardet.detect(pdf)) with open(file_path, 'wb') as f: f.write(pdf) browser.get('https://www.mofa.go.jp/mofaj/index.html') time.sleep(10) save_to_pdf(browser, 'sample.pdf') browser.close() browser.quit()

pdf化したいwebページは日本語ページと英語ページが両方あるサイトとして外務省のサイトが浮かんだため、
ひとまずサンプルとして選択しました。
実際に私では英語バージョンの外務省のページは英字がちゃんとpdfにも書かれております。
対して日本語バージョンのページは日本語の部分が空白になっており、英数字と画像のみが表示されています。

初心者であり、上級者の方から見れば見当違いなことをしているかもしれませんが、
本コードで初めてbase64を知り、webページのバイナリデータについても調べてみました。
つまり参考にしたサイトではwebページをbase64として取得し、
デコードしていますが本当にbase64を取得できているのかということや
取得したbase64データの文字コードの判別を確認してみました。
まずwebページをbase64で取得できているかどうかというこですが、

python

execute_cdp_cmd

の使い方を参照してみましたところ、以下のサイトを参考にしましてbase64は返ってくるようです。
https://www.selenium.dev/selenium/docs/api/py/webdriver_chromium/selenium.webdriver.chromium.webdriver.html#selenium.webdriver.chromium.webdriver.ChromiumDriver.execute_cdp_cmd

次に上記のサンプルコードで言うところの「pdf」という変数にbase64でのデータが入っておりますが、
このpdfの文字コードをchardetで確認してみましたところ、以下のようなものが返ってきてしまいました。

python

print(chardet.detect(pdf)) # -> {'encoding': None, 'confidence': 0.0, 'language': None}

普通であれば encoding には何かしらの文字コードが判定されると思うのですが、
やはりbase64のデータに不具合があり、変数pdfをデコード(base64のデータをデコード)した時に日本語が表示されないという現象が起きてしまうのでしょうか。

分かりにくい部分も多々あったかとは思うのですが、
解決策をご存じでしたら教えて頂けますと幸いです。

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。

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。

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
  • 過去に投稿した質問と同じ内容の質問
  • 広告と受け取られるような投稿

評価を下げると、トップページの「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。

まだ回答がついていません

会員登録して回答してみよう

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
87.20%

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

同じタグがついた質問を見る

Google Colaboratory

Google Colaboratoryとは、無償のJupyterノートブック環境。教育や研究機関の機械学習の普及のためのGoogleの研究プロジェクトです。PythonやNumpyといった機械学習で要する大方の環境がすでに構築されており、コードの記述・実行、解析の保存・共有などが可能です。

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

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。

selenium

Selenium(セレニウム)は、ブラウザをプログラムで作動させるフレームワークです。この原理を使うことにより、ブラウザのユーザーテストなどを自動化にすることができます。