Beautiful Soupでスクレイピング | 底辺プログラマーヤスの雑記ブログ

今回はBeautiful Soupを使用してスクレイピングを行ってみます。

以前も同じような内容の記事を書きましたが、
前回と今では理解度に差があるので
それを踏まえて記事として残しておきます。

bs4を使用します。
Pythonのversionは3.7.2です。
今更bs3の記事とか書きませんのであしからず。

Contents

Beautiful Soupとは？

簡潔に言い表すとHTMLファイルからデータを抜き出すためのライブラリです。

インストールの仕方とかはコチラを見て下さい。

Beautiful Soupと他のライブラリの組み合わせ

Beautiful Soupを使用する際、用途に沿って他のライブラリと組み合わせることになります。

Web上からHTML情報を取得するために使用するrequests
正規表現を使用するためのre
リクエストを連続に投げないためのtime

ひとまずこれだけあれば大体のことができます。

スクレイピングを行った情報をWordpressに投稿する場合はwordpress用のライブラリか、REST_APIを使用する必要があります。

特定のサイトから見出しを取得する

Beautiful Soup 4.2.0 Doc. 日本語訳 (2013-11-19最終更新)

上記のリンクから情報を取得します。

今回は見出しにも使用されている『クイックスタート』という文字列を取得します。

import requests
from bs4 import BeautifulSoup

# Beautiful Soup 4.2.0 Doc. 日本語訳
url = 'http://kondou.com/BS4/'


# HTMLオブジェクト取得
html = requests.get(url)
# lxmlでパース
soup = BeautifulSoup(html.content, 'lxml')


# ページ内のクイックスタートを取得しましょう。
h1 = soup.select_one('div > #id7 > h1')
# h1のtextを出力
print(h1.text)
# クイックスタート¶

import requests

from bs4 import BeautifulSoup

# Beautiful Soup 4.2.0 Doc. 日本語訳

url = 'http://kondou.com/BS4/'

# HTMLオブジェクト取得

html = requests.get(url)

# lxmlでパース

soup = BeautifulSoup(html.content, 'lxml')

# ページ内のクイックスタートを取得しましょう。

h1 = soup.select_one('div > #id7 > h1')

# h1のtextを出力

print(h1.text)

# クイックスタート¶

bs4のselect_oneという関数はCSSセレクタと言われ、タグの階層構造を
上のコードのようにdiv > #id7 > h1みたいな辿り方をすることができます。

これは欲しい情報がわかっている場合の処理です。

こんな情報取得してもしょうがないという方！？確かにその通りなので
ちょうどいい難しさでちょうどいい内容のサイトがあればスクレイピングをしたいと思います。

requestsモジュールでのSSLエラー

ちょっとはまってしまったので記載しておきます。

SSL認証が必要なページに対してアクセスを行うと、SSLエラーを返されることがあります。

雑な方法ですが、requests.getの引数にverify=Falseを設定すると認証を回避することができます。おすすめはしませんが。

requests.get(url, verify=False)

1	requests.get(url, verify=False)

ライブドアブログのニュースを取得してみよう

今までのコードではBeautiful SoupのCSSセレクタを使用していました。
今回はFind_allを使用してh3タグを一気に取得してみます。

import requests
from bs4 import BeautifulSoup, NavigableString, Tag

if __name__ == "__main__":
    url = 'https://news.livedoor.com/topics/category/eco/'

    # HTMLオブジェクト取得
    html = requests.get(url)
    # lxmlでパース
    soup = BeautifulSoup(html.content, 'lxml')

    # livedoor newのIT・経済カテゴリ記事見出し
    h3_list = soup.find_all('h3')
    
    for h3 in h3_list:
        buf = '見出し：' + h3.text
        for sibling in h3.next_siblings:
            if isinstance(sibling, NavigableString):
                buf += sibling
            elif isinstance(sibling, Tag):
                if sibling.name == 'p':
                    buf += 'サマリ' + sibling.text
        print(buf)
        #見出し：Apple、Google、Amazon、各社投入の音声UI、あれは「誰が聞いている」？
        #サマリ◆Apple契約会社がSiriとの会話を聞いていた7月の末に、Appleの請負…

import requests

from bs4 import BeautifulSoup, NavigableString, Tag

if __name__ == "__main__":

url = 'https://news.livedoor.com/topics/category/eco/'

# HTMLオブジェクト取得

html = requests.get(url)

# lxmlでパース

soup = BeautifulSoup(html.content, 'lxml')

# livedoor newのIT・経済カテゴリ記事見出し

h3_list = soup.find_all('h3')

for h3 in h3_list:

buf = '見出し：' + h3.text

for sibling in h3.next_siblings:

if isinstance(sibling, NavigableString):

buf += sibling

elif isinstance(sibling, Tag):

if sibling.name == 'p':

buf += 'サマリ' + sibling.text

print(buf)

#見出し：Apple、Google、Amazon、各社投入の音声UI、あれは「誰が聞いている」？

#サマリ◆Apple契約会社がSiriとの会話を聞いていた7月の末に、Appleの請負…

上記のコードでは終了条件を設定していませんが、h3タグは記事に見出しにしか使用されていないようなので問題はなさそうです。

スクレイピングを行う上で大事なこと

スクレイピングを行う上で大事なことは

どのようにスクレイピングを行うのかという事ではなく

スクレイピングしたデータをどのように活用するのか

という事です。

現在ではまとまったデータは非常に価値の高いものになりました。
出来れば取得したデータで一儲けできるような案を考えていきたいものです。

IT Python

Beautiful Soupとは？

Beautiful Soupと他のライブラリの組み合わせ

特定のサイトから見出しを取得する

requestsモジュールでのSSLエラー

ライブドアブログのニュースを取得してみよう

スクレイピングを行う上で大事なこと

共有:

いいね:

Python URL操作

Python リスト操作

Python+BeautifulSoup+Requestsでスクレイピング

Anaconda+Djangoで環境構築を行う！

Python+tweepyでいいねとフォローする

Python+Tweepyでタイムラインを表示する