1. はじめに｜書籍検索を自動化して業務効率UP！

書籍の検索って、意外と時間がかかりませんか？
たとえば、教育現場や研究機関、図書館などで「特定のテーマに関する書籍をまとめて探したい」という場面。いちいち検索サイトにアクセスして、検索ワードを入力して、目当ての本を見つけて……という作業を繰り返すのは、正直かなり面倒です。

そんなときに活躍するのが「Python＋Web APIによる自動化」です！

この記事では、Cinii Books（国立情報学研究所が提供する書籍検索サービス）のWeb APIを活用して、インターネットから書籍データを取得し、Excelファイルとして保存するPythonスクリプトの作り方を解説します。

さらに今回は、ちょっと便利な工夫として、**ユーザーがコマンドラインでキーワードを入力できる「対話式スクリプト」**を採用。誰でも簡単に使えるようにしています。

また、ただスクリプトを動かすだけではなく、

• 取得したJSONデータの扱い方
• pandasによるデータ加工と出力処理
• メソッドチェーンを使ったスマートなコードの書き方
• エラー処理や条件分岐の実践例

といった、Python実務でも役立つテクニックも合わせて紹介していきます！

💡「書籍データをサクッと集めたい」
💡「PythonでAPIを使ってみたい」
💡「Excelへの出力処理まで自動化したい」

そんな方は、ぜひ最後まで読んでくださいね！

2. Cinii Books APIとは？無料で使える学術書検索API

今回のスクリプトで使うのは、Cinii Books（サイニィ・ブックス）というサービスのWeb APIです。
これは、国立情報学研究所（NII）が提供している日本の大学図書館などに所蔵されている書籍情報を検索できるデータベースで、誰でも無料で使うことができます。

📚 Cinii Booksってなに？

Cinii Booksは、全国の大学図書館・国立図書館などが所蔵する書籍の情報を検索できるWebサービスです。
たとえば、「Python」「医療」「民法」といったキーワードで検索すると、それに関連する書籍のタイトルや著者、出版年、出版社などの情報を一覧で取得できます。

しかも、アカウント登録やAPIキーの発行は一切不要。URLにキーワードを含めてアクセスするだけで、JSON形式のレスポンスをすぐに取得できるのが特徴です。

🌐 Web APIとしての特徴

Cinii BooksのWeb APIはとてもシンプルな設計で、以下のような特徴があります。

たとえば、「Python」に関する書籍をJSON形式で取得するURLはこんな感じになります：

https://ci.nii.ac.jp/books/opensearch/json?q=Python

このURLにアクセスすれば、Pythonに関連する書籍の情報がJSON形式で返ってきます。
とても扱いやすいAPIなので、Python学習の実践教材にもピッタリです。

✅ どんな場面で使える？

このAPIは、以下のようなシーンで活用できます。

• 教育現場での資料収集（例：講義資料の検索）
• 学術研究での関連書籍の収集
• 図書館業務の効率化（例：特定ジャンルの新着本調査）
• 書籍リストの作成やExcelへの自動取り込み

今回作るスクリプトを少しカスタマイズするだけで、**自分専用の「書籍検索ツール」**に進化させることも可能です！

3. Pythonで対話式スクリプトを作ろう！

それではいよいよ、Pythonで書籍検索ツールを作る本編に入っていきましょう！

ここではまず、Cinii Books APIを使って書籍情報を取得する基本的な流れと、ユーザーがキーワードを入力できる「対話式」のスクリプトを作成する方法を紹介します。

💻 必要なライブラリをインポートしよう

今回使う主なライブラリは以下の3つです：

import requests       # APIリクエストを送るため
import pprint         # JSONデータを見やすく整形して表示
import pandas as pd   # データの加工とExcel出力に使用

💡 pandasが未インストールの場合は、事前に pip install pandas openpyxl を実行しておきましょう。

🗣 input()でキーワードを受け取る

ユーザーがコマンドラインから検索キーワードを入力できるよう、以下のように input() 関数を使います：

keyword = input("検索したいキーワードを入力してください：")

これで、ユーザーが「Python」や「歴史」などのキーワードを自由に指定できるようになります。

🌐 Cinii APIで書籍データを取得する

次に、入力されたキーワードを使ってWeb APIにアクセスします。以下のように、requestsライブラリを使ってGETリクエストを送信します：

url = f"https://ci.nii.ac.jp/books/opensearch/json?q={keyword}&count=100&sortorder=3"
response = requests.get(url)
response.raise_for_status()  # エラーハンドリング

APIからのレスポンスはJSON形式なので、次のようにしてPythonの辞書型に変換します：

data = response.json()

📋 データの中身を確認してみよう

データの構造を確認するために、pprintで中身を見てみましょう。

from pprint import pprint
pprint(data)

このようにして、APIから返ってきた内容を整形して確認できます。
レスポンス内の @graph → items → 各書籍の情報 という構造を理解しておくと、次のステップで役立ちます。

✨ ここまでのまとめ

これで、以下のような基本の流れが完成しました：

1. ユーザーが検索キーワードを入力
2. Web APIにアクセスして書籍情報を取得
3. 取得データをPythonで扱える形式に変換
4. 中身を確認できるよう整形表示

次は、このデータから「タイトル」「著者名」「出版年」などの情報を取り出して、Excelファイルに保存する方法を見ていきましょう！

4. 書籍データをExcelに保存する方法

前のセクションで取得したCinii Booksの書籍データ。
今回はその中から必要な情報だけを抜き出して、Excelファイルに保存する方法を解説していきます！

データを見やすく整理して保存すれば、あとから絞り込みや並べ替えも自由自在。業務でも大いに役立ちますよ！

🎯 どの情報を取り出す？

Cinii APIから取得したデータには、たくさんの情報が含まれていますが、今回は以下の3つに絞って抽出します：

これらは data["@graph"][0]["items"] の中に、リスト形式で格納されています。

🛠 書籍データの抽出処理

以下のコードで、必要な情報だけを取り出してリスト化します：

items = data.get("@graph", [])[0].get("items", [])

books = []
for item in items:
    title = item.get("title", "不明")
    author = item.get("dc:creator", "不明")
    year = item.get("dc:date", "不明")
    books.append({
        "タイトル": title,
        "著者名": author,
        "出版年": year
    })

💡 書籍によっては「著者名」や「出版年」が空欄になっていることもあるので、.get()で安全に取り出しています。

📊 pandasでDataFrameに変換

リストに格納された書籍データをpandasでデータフレームに変換します：

df = pd.DataFrame(books)

見やすく整った表形式になります！

💾 Excelファイルとして保存する

最後に、検索キーワードをファイル名に使ってExcelに保存します：

filename = f"{keyword}_books.xlsx"
df.to_excel(filename, index=False)
print(f"Excelファイルに保存しました：{filename}")

📂 保存先はスクリプトを実行したフォルダと同じ場所になります。

🧪 動作確認してみよう！

ここまでの処理を組み合わせれば、次のような流れが完成します：

検索したいキーワードを入力してください：人工知能

→ Cinii APIにリクエスト送信  
→ 書籍の一覧を取得  
→ Excelファイル「人工知能_books.xlsx」に保存完了！

💡 ちょっと便利な工夫も！

• 検索結果の最大件数（count）を100件に設定して、より多くの情報を取得
• 出力ファイル名に検索ワードを含めて、後から探しやすく
• 列名に日本語を使って、Excelでも読みやすく！

5. エラーハンドリングと分岐処理のコツ

プログラムを実際の現場で使うには、「エラーが起きたときの対応」や「想定外の入力への対処」も重要です。
今回は、2つのケースに対応する処理を加えて、より信頼性の高いスクリプトに仕上げていきましょう。

⚠️ ケース①：API自体にアクセスできない

APIのURLが間違っていたり、ネットワークの問題があったりすると、requests.get() でエラーが発生する可能性があります。
そんなときは、以下のように try-except ブロックと raise_for_status() を使って対処します。

try:
    response = requests.get(url)
    response.raise_for_status()
except requests.exceptions.RequestException as e:
    print("APIへの接続に失敗しました：", e)
    exit()

💡 raise_for_status() はHTTPエラー（404や500など）を検出し、例外として報告してくれます。

🚫 ケース②：検索結果が0件だった場合

キーワードに合う書籍が一件も見つからないこともあります。
これは「失敗」ではなく「正常な結果」ですが、処理を続けても意味がないので、以下のように分岐を加えます。

graph = data.get("@graph", [])
if not graph or "items" not in graph[0]:
    print("該当する書籍が見つかりませんでした。")
    exit()

このチェックにより、itemsキーがない場合は「0件」と判断し、ユーザーにメッセージを出して終了できます。

✅ 安全な書き方まとめ

エラーハンドリングや分岐を含めた、基本的な流れはこんな感じになります：

try:
    response = requests.get(url)
    response.raise_for_status()
    data = response.json()
except requests.exceptions.RequestException as e:
    print("API通信エラー：", e)
    exit()

graph = data.get("@graph", [])
if not graph or "items" not in graph[0]:
    print("検索結果が0件でした。")
    exit()

✨ なぜこれが大事なの？

• ユーザーが安心して使える
• 予期しないクラッシュを防げる
• エラーの原因が分かりやすくなる
• ログや運用の自動化にもつながる

実務でスクリプトを使う場合、「何が起きても止まらないコード」が信頼されるコードです！

6. コードを美しく！メソッドチェーンでリファクタリング

スクリプトが正しく動くようになったら、次はコードの見た目や読みやすさを整える番です。
今回は、Pythonらしくスッキリとした記述に変えるために、メソッドチェーンを使ったリファクタリング方法をご紹介します！

🔄 メソッドチェーンって何？

メソッドチェーンとは、複数の処理をドット（.）でつないで一気に書く方法です。
一時変数を使わずに処理を連続して実行できるので、コードがシンプルになりやすいです。

以下のような処理を…

df = pd.DataFrame(books)
df = df.rename(columns={"dc:creator": "著者名", "dc:date": "出版年"})
df.to_excel(filename, index=False)

こんなふうにまとめて書けます：

pd.DataFrame(books) \
  .rename(columns={"dc:creator": "著者名", "dc:date": "出版年"}) \
  .to_excel(filename, index=False)

🧼 改行とインデントで読みやすく！

ただし、行が長くなると読みにくくなるので、バックスラッシュ（\）を使って改行するのがポイントです。
タブやスペースでインデントをそろえることで、コードの流れがひと目でわかります。

🎨 カラム名の変更は先にやるとスッキリ！

書籍データをExcelに保存する際、カラム名（列名）を「dc:creator」のままにすると分かりづらいですよね。
そこで、rename()メソッドを使ってあらかじめ日本語に変換しておくと、あとで操作しやすくなります。

df = pd.DataFrame(books).rename(columns={
    "title": "タイトル",
    "dc:creator": "著者名",
    "dc:date": "出版年"
})

💡 メソッドチェーンのメリット

ただし、複雑な処理はメソッドチェーンにせず、分けて書いた方が読みやすい場合もあります。
読み手の立場に立って、バランスを考えるのがコツですね！

✅ 実際の例（完成版）

pd.DataFrame(books) \
  .rename(columns={
      "title": "タイトル",
      "dc:creator": "著者名",
      "dc:date": "出版年"
  }) \
  .to_excel(f"{keyword}_books.xlsx", index=False)

このように、データフレームの作成 → カラム名の変更 → Excel出力 までを一気に記述できるので、とてもスマートです。

7. 実行例と動作確認

ここまでで、検索キーワードの入力 → 書籍情報の取得 → Excel出力までを自動で行うPythonスクリプトが完成しました。
では実際に、いくつかのキーワードを使って動作確認をしてみましょう！

🧪 実行例①：「Python」で検索してみる

検索したいキーワードを入力してください：Python

▶︎ 実行結果：

• Python_books.xlsx というファイルが出力される
• Excelファイルには、Pythonに関する書籍（タイトル、著者名、出版年）が100件分一覧に！

📸 Excelファイルの中身の例：

🧪 実行例②：「物理」で検索してみる

検索したいキーワードを入力してください：物理

▶︎ 実行結果：

• 物理_books.xlsx というファイルが生成され、物理関連の学術書情報がリストアップされます。

🧪 実行例③：「ギリシャ語」で検索

検索したいキーワードを入力してください：ギリシャ語

▶︎ 実行結果：

• 書籍数はやや少なめですが、古典や言語学に関する書籍が数件表示されます。
• 件数が少なくても、正常に動作していることが確認できます。

🚫 検索結果が0件だった場合は？

検索したいキーワードを入力してください：あいうえおかきくけこ

▶︎ 実行結果：

該当する書籍が見つかりませんでした。

このように、存在しないキーワードに対しても優しく対応できるようになっています！

✅ テスト成功のポイント

• いろんなジャンルのキーワードで動作するか？
• 出力されたExcelが正しく開けるか？
• 異常系（空検索・存在しない語）でもクラッシュしないか？

上記のような観点からテストすれば、安心して業務でも使えるスクリプトになります。

8. まとめ｜API×Pythonで情報収集も自動化できる時代！

今回は、PythonとCinii Books APIを使って、

• ユーザーがキーワードを入力
• 書籍情報をWebから自動取得
• Excelファイルに出力して保存

という一連の流れを、対話形式のスクリプトとして作成してきました。

しかも、ただ動くだけではなく…

• input()を使ったユーザー入力対応
• JSONの取り扱いと必要項目の抽出
• pandasによるデータ加工
• to_excel()によるExcel出力
• try-exceptを使ったエラーハンドリング
• メソッドチェーンでコードをスッキリ整形

といった、Python実務で必須のテクニックも自然に学べる内容になっています。

🧰 このスクリプトが使えるシーン

• 研究資料の事前収集
• 大学・図書館の業務効率化
• 新刊情報の自動まとめ
• 書籍リストの定期更新ツールとして再利用

さらに、Cinii APIは追加パラメータも豊富なので、

• 出版社で絞り込む
• 出版年の範囲を指定する
• 特定の図書館だけで絞る

といった応用的な検索にも対応可能です。

🚀 情報収集も「自動化」がスタンダードに

今までは、手作業で検索して、コピペして…という情報収集が当たり前でしたが、
PythonとAPIを組み合わせれば、その作業も一瞬で完了します。

時間をかけずに正確なデータを集めたい。
そんなとき、今回のような小さな自動化スクリプトが大きな力になります。

あわせて読みたい

当ブログでは、今回のようなPythonを使った業務効率化・自動化に役立つ記事を多数ご紹介しています。あわせて以下の記事もチェックしてみてください！

• 🔗 Pythonで為替レートを自動取得してExcelに保存する方法【初心者向け】
  ⇒ 為替APIからレートを取得し、Excelファイルに自動保存する手順を解説しています。
• 🔗 【Python×Gmail API】メール送受信＆添付ファイル操作を自動化する方法
  ⇒ メール処理をPythonで一括管理したい方におすすめの内容です。
• 🔗【Python株価分析】データ取得・可視化・予測まで完全ガイド！
  ⇒ 株価情報をAPIで取得し、グラフ化・予測まで行う分析系の応用記事です。

よくある質問（Q&A）

はじめに｜Pythonで為替レートを自動取得するってどういうこと？

「毎日の為替レートを確認して、Excelに手入力するのが正直つらい…」
「できれば最新の為替レートを、自動でExcelに保存したい…」

そんな悩みを感じたことはありませんか？

実は、Pythonを使えば為替レートを自動取得し、そのままExcelファイルに保存することができます。
一度仕組みを作ってしまえば、毎日の確認作業や転記ミスから解放され、業務効率を大きく改善できます。

この記事では、APIを使って最新の為替レートを取得し、PythonでExcelに自動保存する方法を、プログラミング初心者向けにやさしく解説します。
難しそうに聞こえる「API」も、仕組みを理解すれば意外とシンプルです。

経理・財務・輸入業務などで外国通貨を扱う方はもちろん、
「Pythonで業務を自動化してみたい」「Excel作業を効率化したい」という方にもおすすめの内容です。

この記事を読むことで、次のことができるようになります。

• Pythonで為替レートを自動取得する方法
• 為替APIの基本的な使い方
• 取得したデータをExcelファイルに書き込む手順
• 実務でも使える、シンプルで分かりやすいコード構成

コードは丸写しで終わらないように、1行ずつ意味を解説していきます。
「なぜこの書き方なのか」が分かるので、Python初心者の方でも安心です。

それでは、Pythonを使った為替レートの自動取得とExcel保存を、一緒に進めていきましょう。

1. Pythonで為替データを扱うメリット

Pythonは、**「データを集めて、加工して、出力する」**という一連の流れを、とてもシンプルに書けるプログラミング言語です。
この特性が、為替レートの自動取得＆Excelへの書き出しという作業にピッタリなんです。

ここでは、Pythonを使うことで得られる具体的なメリットをいくつか紹介します。

✅ 毎日の作業が自動化できる

たとえば「毎朝、為替レートを調べて、Excelに入力する」…こんなルーチン作業、ありませんか？

Pythonを使えば、その作業をボタン1つ、あるいは時間指定で自動化できます。人の手を使わないので、入力ミスも防げて一石二鳥！

✅ 無料APIを活用して最新データを取得

多くの為替レート提供サイトでは、「API」という仕組みでレート情報を提供しています。
Pythonでは requests というライブラリを使うことで、数行のコードでAPIからデータを取得することが可能です。

しかも、APIの多くは無料プランを用意しており、登録不要で使えるものもあります（例：exchangerate.host など）。

✅ 取得したデータをそのままExcelに保存

Pythonには openpyxl というライブラリがあり、Excelファイル（.xlsx）の作成・編集が自由自在。
今回のように、「為替レートを日付とともに記録する表」を自動で作るのも簡単です。

✅ 業務でも通用するスキルが身につく

APIの使い方やExcel連携の知識は、業務で使える実践的なスキルです。
特に、財務・経理・データ分析・エンジニア職などでは、こうしたスキルが評価される場面も多くなっています。

「プログラミングって難しそう…」という方もご安心ください。
このあとの手順では、一つひとつの操作をやさしく丁寧に解説していきます。

次は、Python環境の準備と必要なライブラリのインストールから始めましょう！

2. 必要な環境とライブラリ

Pythonで為替レートを取得してExcelに書き込むには、準備がとても大切です。
ここでは、実際にプログラムを書く前にやっておきたい2つの準備――仮想環境の作成とライブラリのインストールについて説明します。

🔧 Python仮想環境の作成

まずは、作業ごとに独立したPython環境をつくっておきましょう。これを**「仮想環境」**といいます。

✅ なぜ仮想環境を使うの？

Pythonにはたくさんのライブラリがありますが、全部をごちゃまぜに使っていると、
「どのツールがどのライブラリを使っていたっけ？」
「他のツールとバージョンがぶつかって動かない…」
なんてことが起きやすくなります。

仮想環境を使えば、1つのツール＝1つの専用環境として管理できるので安心です。

✅ 仮想環境の作り方（Windows/Mac共通）

ターミナル（またはコマンドプロンプト）で以下のコマンドを入力します：

python -m venv venv

すると、venv という名前の仮想環境が作成されます。

✅ 仮想環境の起動方法

• Windowsの場合：

venv\Scripts\activate

• Mac/Linuxの場合：

source venv/bin/activate

うまくいくと、ターミナルの先頭に (venv) と表示されます。これで仮想環境の中に入った状態です！

📦 ライブラリのインストール

今回使うライブラリは以下の2つです：

✅ インストールコマンド（仮想環境の中で実行）

pip install requests openpyxl

✅ ライブラリのインポート方法

Pythonコードの最初に以下を記述して、ライブラリを使えるようにします：

import requests
from openpyxl import Workbook

これで準備完了！
次はいよいよ「APIを使って為替レートを取得する」ステップに進みましょう！

3. 為替APIの仕組みとエンドポイント設定

いよいよここから、為替レートのデータを取得するための準備に入ります。
そのカギを握るのが、「API」と呼ばれる仕組みです。

🌐 APIってなに？

APIとは「Application Programming Interface（アプリケーション・プログラミング・インターフェース）」の略です。

……ちょっと難しく聞こえますが、ざっくり言うと、

「他のサービスから情報を自動で受け取るための窓口」

と考えてください。

たとえば、天気情報・ニュース・為替レート・株価などを自分のプログラムに取り込むには、
その情報を提供してくれる「APIのURL」にアクセスして、機械が読み取れる形式でデータを受け取るのが一般的です。

💱 為替APIとは？

今回使う為替APIは「exchangerate.host」という、無料で使える便利なAPIサービスです。

アクセスするURLの例：

https://api.exchangerate.host/latest

このURLにアクセスすることで、**「今日の為替レート（EURを基準）」**がJSON形式で返ってきます。

📌 エンドポイントって？

APIで使われる「エンドポイント」とは、情報を取得するためのURLのことです。
サービスごとに、さまざまなエンドポイントが用意されています。

たとえば：

今回はもっともシンプルな 「最新のレート」を取得する /latest を使います。

✅ 通貨を指定したい場合は？

URLの末尾にパラメータをつけて、取得したい通貨を絞り込むことも可能です。

たとえば、「USD（米ドル）を基準に、JPY（日本円）のレートを取得したい」なら、こんなURLになります：

https://api.exchangerate.host/latest?base=USD&symbols=JPY

このように、**クエリパラメータ（?〜）**を使って情報をカスタマイズできるのがAPIの面白さです！

ここまでの内容をまとめると、次のようなコードで為替データが取得できます：

import requests

url = "https://api.exchangerate.host/latest?base=USD"
response = requests.get(url)
data = response.json()
print(data)

このコードを実行すると、USDを基準とした通貨レートの一覧が表示されます。

次は、このAPIから取得したデータを**どのようにPythonで扱っていくのか？**を見ていきましょう！

4. APIから為替レートを取得するPythonコード

ここからは、いよいよ実際に為替レートのデータをPythonで取得するコードを書いていきます！

今回は「USD（米ドル）」を基準に、複数の通貨レートを取得する例で進めます。

🧪 まずはAPIにアクセスしてみよう！

以下のコードをPythonファイルに書いてみてください：

import requests

# APIのURL（USDを基準）
url = "https://api.exchangerate.host/latest?base=USD"

# データ取得
response = requests.get(url)

# JSON形式でデータを取り出す
data = response.json()

# 内容を確認してみよう
print(data)

🔍 解説：このコードで何をしているの？

💡 JSON形式のデータとは？

APIから取得できるデータは、基本的に**「JSON形式」**です。
これは「キー（名前）と値（データ）」がセットになった、人間にも読めるシンプルな形式です。

例として、こんな形で表示されるはずです：

{
  "base": "USD",
  "date": "2025-06-18",
  "rates": {
    "JPY": 157.35,
    "EUR": 0.91,
    "GBP": 0.78,
    ...
  }
}

この中の "rates" の部分が重要で、ここに各通貨のレートが格納されています。

✅ 必要な情報だけ取り出すには？

JSONデータは辞書型なので、Pythonの辞書のようにキー指定で中身を取り出せます。

たとえば、すべての通貨レートを取得したい場合は次のように書きます：

for currency, rate in data["rates"].items():
    print(f"{currency}: {rate}")

このコードを実行すると、次のような出力になります：

JPY: 157.35
EUR: 0.91
GBP: 0.78
...

これで、APIから取得した為替データをPythonで自由に扱えるようになりました！

次はいよいよ、取得した為替レートをExcelファイルに書き込む手順を解説していきます！

5. 取得したデータをExcelに書き込む

APIから取得した為替レートのデータを、次はExcelファイルに書き込んで保存してみましょう。

ここでは openpyxl ライブラリを使って、以下のような作業を行います：

• 新しいExcelファイルを作成
• ワークシートを準備
• 為替レートのデータを1行ずつ書き込む
• ファイルとして保存

📘 Excelファイルを作るには？（Workbook）

まずはExcelファイルの「本体」となる**ワークブック（Workbook）**を作ります。以下のコードを追記してみましょう：

from openpyxl import Workbook

# 新しいExcelファイルを作成
wb = Workbook()

# アクティブなシートを取得
ws = wb.active

# シートの名前を変更（任意）
ws.title = "Exchange Rates"

ここまでで、空っぽのExcelファイルとシートが1枚できた状態です。

🏷️ ヘッダーを追加する（append）

次に、**列のタイトル（ヘッダー）**を書き込みます。

# ヘッダーを追加
ws.append(["通貨コード", "為替レート"])

これで、1行目に「通貨コード」「為替レート」という見出しが入りました。

🔄 通貨とレートを1行ずつ追加（forループ＋append）

ここからは、前のステップで取得した data["rates"] をfor文でループして、1行ずつExcelに追加していきます：

# 取得したレート情報を書き込む
for currency, rate in data["rates"].items():
    ws.append([currency, rate])

これで、各通貨コード（例: USD, JPY, EUR）と、その為替レートが行ごとにExcelファイルに追加されていきます。

✅ append()とは？

append() は、Excelファイルに行単位でデータを追加するためのメソッドです。

ws.append(["USD", 1.00])  # 「USD | 1.00」という行が追加される

リストの形で渡すと、そのまま左から右に順番に書き込まれます。

💡 補足：複数回appendすれば、表形式になる

ws.append(["通貨", "レート"])
ws.append(["USD", 1.00])
ws.append(["JPY", 157.35])
ws.append(["EUR", 0.91])

こんな感じで書き込むと、Excelでは以下のように見えます：

これで、為替レートデータをExcelに整然と出力する準備が整いました！

6. Excelファイルの保存と出力の確認

ここまでで、為替レートのデータをExcelのワークブック（Workbook）に書き込む処理が完成しました。
最後の仕上げは、作成したExcelファイルを保存して、ユーザーに完了を伝える出力メッセージを表示することです。

💾 Excelファイルを保存する（.save()）

Excelファイルを保存するには、以下のように .save() メソッドを使います。

# ファイル名を指定して保存
wb.save("exchange_rates.xlsx")

このコードを実行すると、スクリプトを実行したフォルダに「exchange_rates.xlsx」ファイルが生成されます。

✅ ファイル名は自由に変えてOKですが、拡張子 .xlsx を忘れずにつけましょう！

✅ 保存できたかどうかを知らせるメッセージ

プログラムの最後に、処理が正常に終わったことをユーザーに知らせる出力メッセージを加えておくと、親切で実務的です。

print("為替レートのExcelファイルが保存されました！")

さらに、ファイル名や日付を表示しておくと、ログとしても便利です。

from datetime import datetime

today = datetime.now().strftime("%Y-%m-%d")
print(f"[{today}] exchange_rates.xlsx に書き出しが完了しました。")

🔁 全体の流れをまとめると…

これで、次のような流れが完成しました：

1. APIで為替レートを取得
2. データをExcelに書き込み
3. .xlsxファイルとして保存
4. ユーザーにメッセージで通知

📂 実行後の確認方法

スクリプトを実行した後は、次の点を確認してみてください：

• フォルダ内に exchange_rates.xlsx ファイルがあるか？
• 開いてみると、通貨コードとレートの一覧が正しく書かれているか？
• 保存メッセージがターミナルに表示されたか？

問題がなければ、Pythonでの為替レート取得＆Excel出力スクリプトが無事完成です！

7. おまけ：日付や時間も一緒に書き込む（発展応用）

ここまでで、為替レートの一覧をExcelに書き込む基本的なスクリプトは完成しました。
でも、**「このレート、いつ取得したデータだろう？」**と後から見返すこともありますよね。

そこでおすすめなのが、日付や時刻も一緒にExcelに記録しておく方法です。
Pythonの datetime モジュールを使えば、とても簡単に追加できます。

🕒 現在の日付・時刻を取得するには？

以下のように、datetime.now() を使って、今の日時を取得できます。

from datetime import datetime

# 現在日時を取得（例：2025-06-18 15:42:00）
now = datetime.now()

# 日付のみ取り出す（例：2025-06-18）
date_str = now.strftime("%Y-%m-%d")

# 日時付き（例：2025-06-18 15:42:00）
datetime_str = now.strftime("%Y-%m-%d %H:%M:%S")

strftime() を使うことで、表示フォーマットを好きな形に変換できます。

📝 Excelの表に日付列を追加するには？

「通貨コード」「レート」だけでなく、「取得日付」も一緒に書き込めるようにしてみましょう。

✅ ヘッダーを修正：

ws.append(["通貨コード", "為替レート", "取得日"])

✅ データの書き込み部分を変更：

for currency, rate in data["rates"].items():
    ws.append([currency, rate, date_str])

これで、次のような表がExcelに記録されます：

📈 毎日データを記録するログとしても使える！

この書き方は、毎日為替レートを記録するような自動スクリプトにも応用できます。
日付を残しておけば、あとで時系列でグラフを作ることもできますし、データの変化を追うのにも便利です！

✅ 補足：時間まで記録したい場合は？

日付だけでなく、時間も記録したいなら datetime_str を使えばOKです：

ws.append(["通貨コード", "為替レート", "取得日時"])

for currency, rate in data["rates"].items():
    ws.append([currency, rate, datetime_str])

これで、「いつのデータか」をしっかり管理できる、実用的な為替レート記録ツールが完成しました！

8. まとめ

今回は、Pythonを使ってWebから為替レートを自動取得し、Excelに書き込む方法を解説してきました。

実際にやってみると、たった数十行のコードで、

• 最新の為替レートを無料APIから取得
• Excelファイルに整形して出力
• 日付付きの記録も可能

といった、実務でも使える便利なツールが作れてしまいます。

💡 この記事で学べたこと

📌 自動化の一歩として最適なテーマ！

「手作業でやっていた作業をPythonで効率化したい」
「APIの扱い方を基礎から学びたい」
「Excelとの連携方法を実践したい」

そんな方にとって、今回の内容はまさに初めの一歩にピッタリのテーマだったのではないでしょうか？

Pythonはデータの取得や加工、出力に強く、業務の自動化にも非常に向いています。
ぜひこの記事を参考に、あなた自身のアイデアでいろいろな自動ツールを作ってみてくださいね！

🔗 あわせて読みたい

🧮 データの扱いに強くなろう！

• 【Python入門】YAMLファイルの書き方と使い方｜設定ファイルの操作をわかりやすく解説！
  API連携やツール構築でよく使われるYAML形式について、基本から応用までを解説しています。
• Pythonでグラフを描く！Matplotlibの使い方を初心者向けにやさしく解説
  取得した為替データをグラフで可視化したい人におすすめです。

🧰 API・ファイル操作の基礎固めに！

• 【Python入門】Gmail APIでメール送受信＆添付ファイルを操作する方法をやさしく解説！
  APIの扱いをもっと深く理解したい人向けに、Gmail APIの使い方も学べます。
• 【Win/Mac対応】Pythonスクリプトをexe化！PyInstallerで実行ファイルを作る方法をやさしく解説
  今回の為替ツールを配布用のアプリにしたい場合に便利です。

💡 自動化スキルをレベルアップ！

Pythonでライブラリを一括インストールする方法｜requirements.txtの使い方をやさしく解説！
仮想環境の再現や配布時に欠かせない設定ファイルの使い方をマスターできます。

よくある質問（Q&A）

1. はじめに｜Cloudflare Pages × Python APIって何ができるの？

こんにちは！この記事では、Cloudflare PagesとPython APIを組み合わせて、最新のWebアプリを公開する方法をご紹介します。

最近よく聞く「Jamstack（ジャムスタック）」って言葉、知っていますか？これは、フロントエンド（見た目）を静的サイトで、バックエンド（中身の処理）をAPIで作るという新しいWeb開発の考え方なんです。

たとえば…

• WebページはCloudflare Pagesで超高速に配信！
• データの保存や計算などの裏側処理はPythonで作ったAPIにおまかせ！

というふうに、「表示」と「処理」をきれいに分けて動かせるのがJamstack構成のポイントです。

🔧こんな人におすすめ！

• PythonでAPI（裏側のプログラム）を作ったけど、公開方法がよくわからない…
• Cloudflare Pagesってよく聞くけど、どう使えばいいの？
• ReactやHTMLでフロントを作ったあと、バックエンドをPythonで連携したい！

🌟この記事でわかること

この記事では、次のようなことをステップごとにやさしく解説していきます！

• Cloudflare Pagesの基本とメリット
• PythonでAPIを作る方法（FastAPIを使います）
• 静的サイトとAPIを組み合わせて公開する手順

「サーバーを持たずにWebアプリを作りたい！」「Pythonで書いたコードをそのままWebに活かしたい！」
そんな方にぴったりの内容です。

それでは、Cloudflare Pages × Python APIの世界へ、いっしょに一歩踏み出してみましょう！

2. Jamstackとは？構成の基本をおさらい

「Jamstack（ジャムスタック）」って言葉、ちょっとカッコいいけど、なんだか難しそうですよね。でも、仕組みは意外とシンプルなんです。

💡Jamstackって何の略？

Jamstackは、3つの要素の頭文字からできた言葉です。

• JavaScript：動きをつける言語（ReactやVueなど）
• API：外部のデータや処理を呼び出す仕組み（今回はPythonで作る！）
• Markup：HTMLなどの静的なページ

つまり、「フロントエンドは静的（HTML）で高速に配信し、裏側の処理はAPIで別に用意する」というスタイルなんです。

🚀Jamstack構成のメリット

なぜこの構成が人気なのか？理由はとても魅力的です。

🔧よくあるJamstackの例

たとえば、次のような構成が人気です：

• フロントエンド：Next.js（Reactベース）を使ってCloudflare Pagesにホスティング
• バックエンド：FastAPI（Python）でAPIを用意し、Cloudflare Workersや他のサーバレス環境で公開

こんなふうに「見た目」と「処理」を分けて構築することで、モダンでメンテしやすいアプリが作れるんですね。

Jamstackのイメージがつかめてきたら、次はいよいよ主役のひとつ「Cloudflare Pages」について詳しく見ていきましょう！

3. Cloudflare Pagesとは？無料で使える高速ホスティング

さて、ここからはJamstack構成の「見た目」部分、つまり静的サイトのホスティングを担う「Cloudflare Pages（クラウドフレア・ページズ）」について見ていきましょう。

🌀Cloudflare Pagesってなに？

Cloudflare Pagesは、静的なWebサイトをGitHubと連携して自動で公開できるサービスです。しかも無料プランでも十分すぎる機能が使えるので、個人開発や学習用途にもピッタリ！

できることはこんな感じ：

• GitHubにプッシュしたら自動でデプロイされる
• 世界中のCloudflare CDNから超高速で配信
• カスタムドメイン・SSL対応も無料！

🌟Cloudflare Pagesのメリットまとめ

📂静的サイトってどんなもの？

静的サイトというのは、HTML・CSS・JavaScriptなどがすでに完成した状態のファイルです。Cloudflare Pagesでは、こういったファイルをまるごとアップロードするだけで公開できます。

たとえば…

• ReactやVueなどのフレームワークでビルドしたページ
• PelicanやHugoなどの静的ブログジェネレーターで作ったサイト
• 純粋なHTML/CSSの手書きサイト

これらすべてがCloudflare Pagesに対応しています！

🤔でも、Pythonのバックエンドはどうするの？

ここがポイント。Cloudflare Pagesは「静的サイト専用」なので、Pythonのようなサーバーサイドの処理はそのままでは動かせません。

じゃあどうするか？
答えは次のセクションで詳しく紹介しますが、Python APIを別の場所にホスティングして、それをフロントから呼び出すというスタイルにするんです。

4. PythonでAPIを作る｜FastAPIを例に解説

さて、ここからは「バックエンド」側のお話です。
Cloudflare Pagesで公開する静的なフロントエンドと連携するために、PythonでAPIを作っておく必要があります。

ここでは、近年大人気のフレームワーク「FastAPI（ファストエーピーアイ）」を使って、かんたんなAPIを作ってみましょう！

🐍FastAPIってなに？

FastAPIは、PythonでAPIを高速に作れる軽量フレームワークです。次のような特徴があります：

• 書き方がシンプルで初心者でもわかりやすい！
• 自動でAPIドキュメント（Swagger UI）を作ってくれる！
• 実行がめちゃくちゃ速い！

PythonでAPIを作るなら、まずこれを使っておけば間違いなしです。

🛠️準備するもの

まずは環境を用意しましょう。次の手順でOKです：

# 仮想環境の作成（任意）
python -m venv venv
source venv/bin/activate  # Windowsなら venv\Scripts\activate

# 必要なパッケージのインストール
pip install fastapi uvicorn

📦最小構成のAPIコードを書いてみよう

次に、main.py という名前で以下のようなコードを作ってみましょう。

from fastapi import FastAPI

app = FastAPI()

@app.get("/")
def read_root():
    return {"message": "こんにちは！FastAPIが動いています！"}

@app.get("/greet/{name}")
def greet(name: str):
    return {"message": f"こんにちは、{name}さん！"}

🚀ローカルで起動してみよう

APIを実行するには、以下のコマンドを使います：

uvicorn main:app --reload

起動したら、ブラウザで次のURLにアクセスしてみましょう：

• http://localhost:8000 → トップページ
• http://localhost:8000/greet/Taro → 「こんにちは、Taroさん！」と返してくれる！

🌐Swagger UIでAPIを試せる！

FastAPIは、http://localhost:8000/docs にアクセスすると、自動生成されたAPIドキュメント（Swagger UI）が表示されます。ここでAPIを直接試すこともできますよ！

このようにして、Pythonだけで簡単に動くAPIが完成しました！
あとは、これをどこかに「公開」して、Cloudflare PagesのフロントエンドとつなげればOKです。

5. Python APIをCloudflare Workersにデプロイする手順

前のセクションで作成したPythonのFastAPI。ローカルではバッチリ動きましたね！
でも、Webアプリとして誰でもアクセスできるようにするには「どこかに公開」する必要があります。

ここでは、Cloudflareが提供する**サーバーレス実行環境「Cloudflare Workers」**を使って、PythonのAPIを動かす方法を解説します。

😥 でもちょっと待って！Cloudflare WorkersってPython動くの？

正直に言うと、Cloudflare Workersは**Node.jsやWebAssembly（WASM）**ベースの環境なので、そのままPythonを動かすことはできません。

ですが、以下の方法でPython APIを「擬似的に」クラウドに公開することができます：

✅ Python API公開の3つの選択肢（Cloudflare Pagesと相性◎）

ここでは、一番現実的でかんたんな「①FastAPIを別クラウドにデプロイ」してから「Cloudflare Pagesのフロントエンドとつなぐ」方法を紹介します！

🚀ステップ1：Render.comでFastAPIを公開しよう

1. GitHubにFastAPIのコードをアップ

1. GitHubに新しいリポジトリを作成
2. main.py や requirements.txt をpush

# requirements.txt
fastapi
uvicorn

2. Renderで新しいWebサービスを作成

1. https://render.com/ にアクセスして無料アカウント作成
2. Dashboard → 「New Web Service」→ GitHubを選んでリポジトリを選択
3. 設定値は以下を参考に：

3. 数分待つと、自動でAPIが公開されるURLが発行されます！

例：

https://my-fastapi-app.onrender.com/greet/Taro

これで、外部からもアクセスできる「公開されたPython API」が完成しました！

🔗ステップ2：Cloudflare Pagesの静的フロントと連携

Cloudflare Pages側のJavaScriptやHTMLから、このAPIを呼び出せばOKです。

例（JavaScript）：

fetch("https://my-fastapi-app.onrender.com/greet/Taro")
  .then(res => res.json())
  .then(data => console.log(data.message));

RenderやFly.ioでも独自ドメイン対応可能です。
さらにCloudflare側でDNS設定すれば、静的サイトと同じドメイン配下で統一することも可能ですよ！

6. Cloudflare PagesとAPIを統合する

ここまでで、Cloudflare Pagesで静的なフロントエンドができて、Pythonで作ったAPIもクラウドに公開できました！

あとは、この2つを組み合わせて、ユーザーが操作するとAPIが動き、結果が表示されるようにすれば、JamstackなWebアプリの完成です！

🎨ステップ1：フロントエンドを作成しよう

まずは、Cloudflare Pagesにアップする**静的Webページ（HTML/JS）**を作成します。ここでは、APIと連携するシンプルなHTMLを例にしてみましょう。

<!-- index.html -->
<!DOCTYPE html>
<html lang="ja">
<head>
  <meta charset="UTF-8" />
  <title>Python API連携アプリ</title>
</head>
<body>
  <h1>Python APIと連携しよう！</h1>
  <input type="text" id="name" placeholder="名前を入力してね" />
  <button onclick="callAPI()">あいさつする</button>
  <p id="result"></p>

  <script>
    async function callAPI() {
      const name = document.getElementById('name').value;
      const response = await fetch(`https://your-fastapi-app.onrender.com/greet/${name}`);
      const data = await response.json();
      document.getElementById('result').textContent = data.message;
    }
  </script>
</body>
</html>

📦ステップ2：Cloudflare Pagesにデプロイ

このHTMLをGitHubにpushし、Cloudflare Pagesに連携させます。

手順：

1. GitHubで新しいリポジトリを作成（例：python-api-frontend）
2. index.html をルートに置く
3. Cloudflare Pagesにログイン → 「Create a Project」
4. GitHubのリポジトリを選ぶ
5. ビルド設定は次のように：

これで、Cloudflare Pagesで静的ページがデプロイされます！
例：

https://python-api-frontend.pages.dev/

🔗ステップ3：APIとつなげて動作確認！

Cloudflare Pagesに公開されたページで、名前を入力しボタンを押すと、FastAPIで作ったAPIが呼ばれて結果が表示されるようになります！

🔐ステップ4：環境変数やAPIの保護（補足）

本番環境では以下のポイントにも注意しましょう。

• APIキーが必要な場合は Cloudflare Pagesの環境変数機能を使う
• レート制限や認証を導入して、APIの濫用を防止
• CORS設定をFastAPI側で調整（fastapi.middleware.cors）

例：

from fastapi.middleware.cors import CORSMiddleware

app.add_middleware(
    CORSMiddleware,
    allow_origins=["https://your-pages.pages.dev"],
    allow_methods=["*"],
    allow_headers=["*"],
)

これで、Cloudflare Pages + Python APIを組み合わせたJamstack構成が完成です！

7. 公開と動作確認｜デプロイ後のチェックポイント

ついに！Cloudflare Pagesで静的なフロントエンドを公開し、Pythonで作ったAPIとも連携できるようになりました。

ここでは、「**きちんと動いているか？」「本番運用で問題が起きないか？」」をチェックするためのポイントをまとめておきます！

✅1. 公開URLの確認

まずは、Cloudflare Pagesで発行されたURLを開いてみましょう。

例：

https://your-frontend-project.pages.dev/

画面がちゃんと表示されているか、ボタンなどの操作ができるか確認します。

✅2. APIとの通信ができているか確認

フォームやボタンを使ってAPIにリクエストを送り、結果が表示されるかどうかを確認します。

例：

• 名前を入力 → 「こんにちは、◯◯さん！」と表示されたらOK！
• ネットワークタブ（開発者ツール）でfetchリクエストが成功しているか確認

✅3. API側でエラーが出ていないか？

RenderやFly.ioなど、APIをホスティングしているプラットフォームの管理画面でログを確認しましょう。

• 404や500エラーが出ていないか？
• CORSエラーで止まっていないか？

✅4. CORS（クロスオリジン）の確認

ブラウザからAPIを呼び出すとき、「CORS」というセキュリティ設定に引っかかって失敗することがあります。

FastAPI側で、以下のようなCORS設定が入っているか確認しましょう：

from fastapi.middleware.cors import CORSMiddleware

app.add_middleware(
    CORSMiddleware,
    allow_origins=["https://your-frontend-project.pages.dev"],
    allow_credentials=True,
    allow_methods=["*"],
    allow_headers=["*"],
)

✅5. モバイル・別ブラウザでも確認しよう

PCだけでなく、スマホや別のブラウザでも表示・操作できるか確認することで、ユーザー目線の不具合を減らせます。

• スマホ表示が崩れていないか？
• 入力やボタン操作がスムーズに動くか？

✅6. キャッシュやHTTPS設定もチェック

Cloudflare Pagesは自動でHTTPS（SSL）に対応しますが、初回デプロイ後すぐはHTTPリダイレクトが効かない場合もあります。

• https:// で始まるURLでアクセスできるか？
• APIや画像などもHTTPS経由で読み込まれているか？

✅7. 予期しない入力にも強いか？（バリデーション）

予想外の入力（空欄、記号だけ、大量の文字など）でも、APIが落ちないようにチェック！

例：

@app.get("/greet/{name}")
def greet(name: str):
    if not name or len(name) > 50:
        return {"message": "入力が正しくありません"}
    return {"message": f"こんにちは、{name}さん！"}

このように、公開後は技術的なチェック＋ユーザー体験のチェックの両方を丁寧に行うことで、安心して運用できるJamstackアプリが完成します！

8. まとめ

ここまで、Cloudflare PagesとPython API（FastAPI）を連携して、Jamstack構成のWebアプリを作る流れを一緒に見てきました。

ふり返ってみると、こんなステップで構成できましたね！

✅今回やったことまとめ

🚀Jamstackで広がる開発の可能性

Jamstack構成にすることで、速く・安全で・拡張しやすいWebアプリを作ることができます。

• 小規模なプロジェクトや個人アプリ
• APIベースのSaaS
• ブログやポートフォリオ、業務ツールなど

Pythonを活かして、さまざまなサービスを軽量に実現できるのが魅力ですね！

🔄今後の展開アイデア

今回の構成をベースに、次のようなステップアップも可能です：

• ログイン機能を追加（OAuthやJWT連携）
• データベース（PostgreSQLなど）と接続して本格的なCRUDアプリ化
• Stripe APIなどと連携して、課金付きアプリにも！

JamstackとPythonを組み合わせれば、「静的サイト × 動的API」という最先端の開発スタイルを誰でも体験できます。
ぜひ、あなたのアイデアを形にしてみてくださいね！

🔗あわせて読みたい（関連リンク）

以下は、本記事と関連性が高く、内部リンクとしておすすめの既存記事です：

• 👉 Pelicanでブログを作ってCloudflare Pagesにデプロイする方法
  静的サイトホスティングの基本を学べる記事。Cloudflare Pages初心者に◎
• 👉 【初心者向け】FastAPIの基本の使い方を解説
  FastAPIをはじめて使う方にぴったりのチュートリアル
• 👉 Python初心者がFlaskでWebアプリを作る方法｜最小構成で始めるWeb開発
  Flaskとの違いや使い分けが気になる人にもおすすめ
• 👉 Pythonでできる自動化10選｜初心者向けにやさしく解説
  Jamstackと連携できる自動化スクリプトのヒントにも！

よくある質問（Q&A）

1. はじめに｜ChatGPT APIをPythonで使いこなそう

こんにちは！この記事では「PythonでChatGPT APIを使いたいけど、どこから手をつければいいかわからない…」という中級者の方に向けて、実践的な使い方をステップごとにやさしく解説していきます。

みなさんもご存知のとおり、OpenAIが提供するChatGPTは、自然な対話や文章生成ができるAIとして世界中で注目を集めています。そんなChatGPTの機能を、PythonからAPIを使って直接呼び出すことができるのが「ChatGPT API」です。

これを使えば、次のようなことができるようになります：

• 会話型のチャットボットを自作する
• テキストの要約や翻訳、分類を自動化する
• LINEやSlack、Flaskアプリなどと連携してAI機能を追加する
• 仕事の自動化（メール文生成やQA対応）にも応用できる

本記事では、Pythonの基本文法やAPI通信にある程度慣れている方向けに、以下の内容をじっくり解説していきます。

• ChatGPT APIを使うための準備（APIキーの取得方法など）
• PythonでAPIにリクエストを送る基本コード
• 会話を記憶させる方法やプロンプトの工夫
• 簡単なチャットボットや要約アプリの作成例
• よくあるエラーとその対処法

読み終えるころには、ChatGPT APIを自信をもって扱えるようになっているはずです。

では、さっそく始めましょう！

2. OpenAI APIの準備

ChatGPT APIを使い始めるには、まず OpenAIのAPIキーを取得する必要があります。ここでは、はじめての方でも迷わないように、準備のステップを丁寧に解説します。

✅ ステップ1：OpenAIのアカウントを作成しよう

まずは以下のリンクから、OpenAIの公式サイトにアクセスします：

👉 https://platform.openai.com/

右上の「Sign Up」ボタンをクリックして、メールアドレスやGoogleアカウント、Microsoftアカウントなどで新規登録を行いましょう。

💡 登録時に電話番号認証があります。SMSが受け取れる番号を用意しておくとスムーズです。

✅ ステップ2：APIキーを取得する

アカウント作成後、OpenAIのダッシュボードに移動します。

1. 右上のアカウントアイコンをクリック
2. 「View API keys」を選択
3. 「Create new secret key」ボタンをクリック
4. 表示された文字列をコピー（このキーは一度しか表示されません！）

この文字列が、PythonからAPIを使うときに必要な「秘密鍵（APIキー）」になります。

🔐 重要：このキーは他人と絶対に共有しないようにしてください。不正利用される恐れがあります。

✅ ステップ3：無料プランと有料プランの違いを理解しよう

OpenAIは、新規ユーザー向けに「無料クレジット（例：5ドル分）」を提供しています。
ただし、使用量が増えるとクレジットを使い果たし、有料課金が発生します。

💸 主なプランの違い

📘 APIでGPT-4を使いたい場合は、事前に有料アカウントの設定が必要になります。

✅ ステップ4：Python開発環境を整えよう

APIキーを取得したら、Python側でも準備をしておきましょう。

pip install openai

これでOpenAIの公式ライブラリがインストールできます。
次は、このライブラリを使って実際にChatGPT APIを呼び出してみましょう！

3. PythonからChatGPT APIを呼び出す基本コード

ここからはいよいよ、Pythonを使ってChatGPT APIに実際にアクセスしてみましょう。
まずは、シンプルな文章生成を行う基本的なコードから解説していきます。

✅ 必要なライブラリをインストールしよう

まず、OpenAIの公式ライブラリをインストールしておきましょう。

pip install openai

✅ APIキーを安全に管理する

APIキーはコードに直接書くのではなく、環境変数で管理すると安心です。

# .env ファイル（または環境変数）に保存する場合
OPENAI_API_KEY=sk-xxxxxx（←自分のAPIキーをここに）

Pythonコード内では以下のように読み込めます：

import os
import openai
from dotenv import load_dotenv

load_dotenv()  # .envファイルを読み込む
openai.api_key = os.getenv("OPENAI_API_KEY")

✅ ChatGPT APIを呼び出す最小構成コード

import openai
import os
from dotenv import load_dotenv

load_dotenv()
openai.api_key = os.getenv("OPENAI_API_KEY")

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",  # または "gpt-4"
    messages=[
        {"role": "system", "content": "あなたは親切なアシスタントです。"},
        {"role": "user", "content": "Pythonでできる面白いプロジェクトを教えてください。"}
    ]
)

print(response['choices'][0]['message']['content'])

✅ コードのポイント解説

• model: 使用するモデル（例：gpt-3.5-turbo）
• messages: 会話の履歴（ロールは system, user, assistant の3種類）
• response['choices'][0]['message']['content']: AIからの回答テキスト

✅ よくあるエラーとその対策

✅ 出力例

もちろんです！以下はPythonでできる面白いプロジェクトの例です：

1. 天気予報を表示するLINEボット
2. PDFを要約してくれる自動ツール
3. 音声認識でToDoリストを作るアプリ

やってみたいものはありますか？

このように、ChatGPT APIはわずか数行のコードで自然な対話を生成してくれます。

4. ChatGPT APIの高度な使い方

ここからは、ChatGPT APIをより賢く、より実用的に使うための「中級テクニック」を紹介していきます。
特に重要なのは、会話の文脈保持やプロンプトの工夫です。これらを理解すれば、ChatGPTをまるで「自分専用アシスタント」のように動かせるようになります！

✅ messages の構造を理解しよう

ChatGPT APIでは、「メッセージの履歴」を送ることで文脈を理解させることができます。
これが messages パラメータの中身です。

messages = [
    {"role": "system", "content": "あなたは親切で詳しいPythonの先生です。"},
    {"role": "user", "content": "リストの使い方を教えてください。"},
    {"role": "assistant", "content": "リストは複数の値をまとめて扱える便利な構造です。"},
    {"role": "user", "content": "じゃあ、辞書との違いは？"}
]

このように、過去のやりとりを含めて送ることで、「会話の文脈」が保たれるのです。

💡 system ロールは、AIの性格や役割を設定する重要な要素です。
例：「あなたはユーモアのある科学の先生です」「あなたは厳しいコードレビュー担当者です」など。

✅ 会話を記憶させる方法（セッション管理）

実際にチャットアプリなどを作る場合は、ユーザーごとにこの messages を保存しておくと会話の流れが自然になります。

# ユーザーごとの会話履歴を記録する例
conversation = []

conversation.append({"role": "user", "content": "こんにちは"})
response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=conversation
)
reply = response['choices'][0]['message']['content']
conversation.append({"role": "assistant", "content": reply})

💡 注意点：無料プランでは1回のリクエストに送れるトークン（単語数）に制限があります。gpt-3.5-turboで最大約4,000トークンです。

✅ モデルを切り替える（gpt-3.5とgpt-4）

必要に応じてモデルを切り替えることもできます。

# gpt-4を使いたい場合（有料アカウントが必要）
response = openai.ChatCompletion.create(
    model="gpt-4",
    messages=messages
)

✅ プロンプト（命令文）の工夫

AIの応答は「プロンプト」に大きく左右されます。以下のように具体的であればあるほど、期待通りの結果が得られやすいです。

例1：フォーマットを指定する

{"role": "user", "content": "Pythonで九九を出力するコードを教えて。コードだけ返して。"}

例2：目的をはっきり伝える

{"role": "system", "content": "あなたは教育者です。小学生にもわかるようにやさしく説明してください。"}

例3：JSON形式で出力してもらう

{"role": "user", "content": "以下の文章を要約して、タイトルと本文に分けてJSONで出力して"}

このように、ちょっとした工夫でChatGPT APIはグンと使いやすくなります。
次は、実際にChatGPT APIを使った「質問応答ボット」や「文章要約ツール」の作成例を紹介していきます！

5. 実用例①：質問応答ボットを作ってみよう

ここでは、ChatGPT APIを使って シンプルな質問応答ボット を作ってみましょう！
PythonとFlask（軽量なWebフレームワーク）を使えば、ローカル環境で簡単にWebチャットボットを動かすことができます。

💡 実際のチャットUIまでは作らず、「フォームで質問 → ChatGPTが答える」流れを作ってみます！

✅ 必要なライブラリをインストールしよう

まずはFlaskとOpenAIライブラリをインストールします。

pip install flask openai python-dotenv

✅ ディレクトリ構成（例）

chatbot-app/
├── app.py
├── .env
└── templates/
    └── index.html

✅ .env にAPIキーを保存

.env ファイルを作成して、OpenAIのAPIキーを記述します。

OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxxxxxx

✅ app.py（Flaskアプリのメインファイル）

from flask import Flask, request, render_template
import openai
import os
from dotenv import load_dotenv

load_dotenv()
openai.api_key = os.getenv("OPENAI_API_KEY")

app = Flask(__name__)

@app.route("/", methods=["GET", "POST"])
def index():
    answer = ""
    if request.method == "POST":
        user_input = request.form["question"]
        response = openai.ChatCompletion.create(
            model="gpt-3.5-turbo",
            messages=[
                {"role": "system", "content": "あなたは親切な質問応答ボットです。"},
                {"role": "user", "content": user_input}
            ]
        )
        answer = response["choices"][0]["message"]["content"]
    return render_template("index.html", answer=answer)

if __name__ == "__main__":
    app.run(debug=True)

✅ templates/index.html（HTMLテンプレート）

<!doctype html>
<html>
<head>
  <title>質問応答ボット</title>
</head>
<body>
  <h1>ChatGPT 質問応答ボット</h1>
  <form method="POST">
    <label>質問を入力してください：</label><br>
    <input type="text" name="question" size="50">
    <button type="submit">送信</button>
  </form>
  {% if answer %}
    <h2>AIの回答：</h2>
    <p>{{ answer }}</p>
  {% endif %}
</body>
</html>

✅ 実行方法

python app.py

表示されたURL（通常は http://127.0.0.1:5000/）を開くと、質問フォームが出現します。
「Pythonの関数ってなに？」などと入力して送信すれば、ChatGPTが答えてくれます！

✅ 発展のヒント

• セッション管理で会話の履歴を保持する
• フロントエンドに チャットUI（StreamlitやReactなど） を導入する
• 回答を ログに保存して、分析に活用する

6. 実用例②：テキスト要約・分類・翻訳などの自動処理

ChatGPT APIは、質問応答だけでなく、文章の要約、分類、翻訳、キーワード抽出などさまざまな自然言語処理タスクにも活用できます。
ここでは、それぞれの実用例をPythonコード付きで紹介していきます。

✅ ① 長文の要約を自動化する

大量の文章を読みたくないとき、ChatGPTに要約してもらえば時短にもなります！

import openai

def summarize_text(text):
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[
            {"role": "system", "content": "あなたはプロの要約ライターです。"},
            {"role": "user", "content": f"以下の文章をわかりやすく3行で要約してください：\n{text}"}
        ]
    )
    return response["choices"][0]["message"]["content"]

sample_text = """
Pythonは、可読性が高く、豊富なライブラリが揃っているため、初心者からプロまで幅広く使われているプログラミング言語です。
Web開発やデータ分析、AI開発など、多岐にわたる分野で活躍しています。
特に最近では、機械学習や自然言語処理の分野で注目を集めています。
"""

print(summarize_text(sample_text))

✅ ② テキストをカテゴリに分類する

たとえば、問い合わせメールを「要望」「クレーム」「質問」などに分類したいときに便利です。

def classify_text(text):
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[
            {"role": "system", "content": "あなたは文章をカテゴリに分類するAIです。"},
            {"role": "user", "content": f"次の文章を分類してください：{text}\nカテゴリ候補：要望, クレーム, 質問"}
        ]
    )
    return response["choices"][0]["message"]["content"]

print(classify_text("アプリの動作が遅いので改善してほしいです。"))

✅ ③ 多言語翻訳を行う（日本語→英語など）

def translate_text(text, to_lang="English"):
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[
            {"role": "system", "content": f"あなたは優秀な翻訳家です。"},
            {"role": "user", "content": f"次の文章を{to_lang}に翻訳してください：{text}"}
        ]
    )
    return response["choices"][0]["message"]["content"]

print(translate_text("今日はとても良い天気ですね。"))

✅ ④ JSON形式での出力整形（アプリ連携向け）

APIの返答をそのままUIに使うときは、**構造化出力（JSON形式）**が便利です。

def extract_info_json(text):
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[
            {"role": "system", "content": "以下の文章から「名前」「メールアドレス」「要望内容」をJSONで抽出してください。"},
            {"role": "user", "content": f"{text}"}
        ]
    )
    return response["choices"][0]["message"]["content"]

sample = "こんにちは、私は田中一郎です。tanaka@example.com に連絡をください。機能追加の要望があります。"
print(extract_info_json(sample))

✅ 実用アイデア集

7. よくあるエラーとその対処法

ChatGPT APIを使っていると、予期せぬエラーに遭遇することがあります。
エラーメッセージは英語で表示されることが多く、初めてだとちょっと焦りますよね。

ここでは、よくあるエラーとその原因・対処法をわかりやすくまとめました。

✅ AuthenticationError（認証エラー）

エラーメッセージ例：

openai.error.AuthenticationError: No API key provided

原因：
APIキーが設定されていない、または間違っている。

対処法：

• .env ファイルで OPENAI_API_KEY が正しく設定されているか確認
• openai.api_key = os.getenv("OPENAI_API_KEY") の記述を見直す

✅ RateLimitError（レート制限エラー）

エラーメッセージ例：

openai.error.RateLimitError: You exceeded your current quota

原因：
一定時間内に送信できるリクエスト数を超えた、または無料枠を使い切った。

対処法：

• 時間を置いて再試行する（数分〜数時間）
• OpenAIのダッシュボードで利用状況を確認する
• 有料プランにアップグレードすることを検討

✅ InvalidRequestError（無効なリクエスト）

エラーメッセージ例：

openai.error.InvalidRequestError: This model's maximum context length is 4097 tokens

原因：
1リクエストのトークン数（文字数）がモデルの上限を超えている。

対処法：

• messagesの内容を削る
• 会話履歴を適宜リセット・要約する
• より長文対応のモデル（gpt-4-32kなど）に変更する

✅ APIConnectionError（接続エラー）

エラーメッセージ例：

openai.error.APIConnectionError: Error communicating with OpenAI

原因：
ネットワーク障害やOpenAIサーバーの一時的な不具合。

対処法：

• インターネット接続を確認する
• 数分後に再試行する
• OpenAIのステータスページで障害情報を確認

✅ その他のヒント

✅ エラーを防ぐためのベストプラクティス

• try-except構文で例外処理を入れておく
• ログ出力でエラー原因を特定しやすくする
• 利用制限・料金管理のためにOpenAIの管理画面を定期的に確認

try:
    response = openai.ChatCompletion.create( ... )
except openai.error.OpenAIError as e:
    print(f"エラーが発生しました: {e}")

これで、ChatGPT APIをより安心して使いこなせるようになりますね！

8. まとめ｜APIでChatGPTの力を引き出そう

この記事では、PythonでChatGPT APIを活用するための基本から応用までをステップバイステップで紹介してきました。

おさらいすると、次のようなことができるようになったはずです：

✅ OpenAI APIキーの取得方法と基本の準備
✅ PythonでChatGPT APIを呼び出すコードの書き方
✅ messages構造を使った会話の文脈保持
✅ 質問応答ボットやテキスト自動処理（要約・分類・翻訳）の実装例
✅ よくあるエラーとその対処方法

ChatGPT APIは、工夫次第で業務効率化からアプリ開発まで活用の幅が広がる万能ツールです。
中級者であれば、FlaskやFastAPIと組み合わせてLINE連携ボットやSlack自動返信システムなども作れるようになります。

「Python × ChatGPT API」の世界は本当に奥が深く、楽しいですよ！

今後はさらに、データベースとの連携やユーザーごとのパーソナライズなども視野に入れてみましょう。

よくある質問（Q&A）