質問編集履歴
1
質問内容の変更
test
CHANGED
|
@@ -1 +1 @@
|
|
|
1
|
-
|
|
1
|
+
PythonのBeautifulSoupでスクレイピングするとhtml（utf-8）の文字コードがISO-8859-1になってしまう
|
test
CHANGED
|
@@ -1,3 +1,95 @@
|
|
|
1
|
+
こちらのQ＆Aは、
|
|
2
|
+
|
|
3
|
+
途中で質問の内容が変わってしまったため、
|
|
4
|
+
|
|
5
|
+
一見すると質問と回答が食い違ってしまっています。
|
|
6
|
+
|
|
7
|
+
|
|
8
|
+
|
|
9
|
+
そのため、こちらに一連の流れを記載しておきます。
|
|
10
|
+
|
|
11
|
+
ご迷惑をおかけいたします。
|
|
12
|
+
|
|
13
|
+
|
|
14
|
+
|
|
15
|
+
----------------------
|
|
16
|
+
|
|
17
|
+
|
|
18
|
+
|
|
19
|
+
【当初の質問：HTMLファイルをWEB上にアップロードすると文字コードがISO-8859-1になってしまう】
|
|
20
|
+
|
|
21
|
+
|
|
22
|
+
|
|
23
|
+
BeautifulSoupでスクレイピングをすると、BeautifulSoup上では、自分でアップロードしたWEBサイトの文字コードが「ISO-8859-1」として認識されてしまう。ローカル上では文字コードが「UTF-8」になっているため、WinSCPでアップロードするときに文字コードが変換されてしまうのでは？
|
|
24
|
+
|
|
25
|
+
|
|
26
|
+
|
|
27
|
+
↓
|
|
28
|
+
|
|
29
|
+
|
|
30
|
+
|
|
31
|
+
しかし、WEB上にアップロードされているHTMLファイルをローカルにダウンロードし、文字コードを調べてみるとUTF-8のまま。つまり、WEB上のHTMLファイルもUTF-8のままであり、WinSCPによって文字コードが変換されているわけではない。
|
|
32
|
+
|
|
33
|
+
|
|
34
|
+
|
|
35
|
+
↓
|
|
36
|
+
|
|
37
|
+
|
|
38
|
+
|
|
39
|
+
回答者様のご指摘により、「WEBサイト自体に問題があるのではなく、BeautifulSoupでスクレイピングする際に文字コードが変換されている」ことが判明。
|
|
40
|
+
|
|
41
|
+
|
|
42
|
+
|
|
43
|
+
↓
|
|
44
|
+
|
|
45
|
+
|
|
46
|
+
|
|
47
|
+
【質問の変更：PythonのBeautifulSoupでスクレイピングするとhtml（utf-8）の文字コードがISO-8859-1になってしまう】
|
|
48
|
+
|
|
49
|
+
|
|
50
|
+
|
|
51
|
+
HTMLではcharsetで文字コードをUTF-8に指定しているにもかかわらず、なぜスクレイピングの際に文字コードが変換されてしまうのか。
|
|
52
|
+
|
|
53
|
+
|
|
54
|
+
|
|
55
|
+
↓
|
|
56
|
+
|
|
57
|
+
|
|
58
|
+
|
|
59
|
+
レンタルサーバーの仕様により、ResponseのContent-Typeの文字コードを書き換えられてしまう（指定したcharsetを無視されてしまう）。その結果BeautifulSoupがUTF-8を認識できず、代わりにISO-8859-1として認識してしまい、その結果文字化けが発生する。
|
|
60
|
+
|
|
61
|
+
|
|
62
|
+
|
|
63
|
+
↓
|
|
64
|
+
|
|
65
|
+
|
|
66
|
+
|
|
67
|
+
解決する場合には、.htaccessでcharsetを修正する方法などが考えられる。ただし、今回はWEBサイト自体に問題がないことが分かったため、文字化けはBeautifulSoupサイドで工夫することで解決。
|
|
68
|
+
|
|
69
|
+
|
|
70
|
+
|
|
71
|
+
----------------------
|
|
72
|
+
|
|
73
|
+
|
|
74
|
+
|
|
75
|
+
およそこのような流れになっています。
|
|
76
|
+
|
|
77
|
+
ご迷惑をおかけしてしまい申し訳ございません。
|
|
78
|
+
|
|
79
|
+
|
|
80
|
+
|
|
81
|
+
|
|
82
|
+
|
|
83
|
+
|
|
84
|
+
|
|
85
|
+
↓↓↓↓↓↓↓↓
|
|
86
|
+
|
|
87
|
+
なお、当初の質問は下記の通りです。
|
|
88
|
+
|
|
89
|
+
↓↓↓↓↓↓↓↓
|
|
90
|
+
|
|
91
|
+
|
|
92
|
+
|
|
1
93
|
文字コードについて困っています。
|
|
2
94
|
|
|
3
95
|
|