【スクレイピング】正規表現を使用したスクレイピング

スクレイピング準備記事

関連記事

【やりたいこと】正規表現を使って、スクレイピングしてみたい!


ここからが、本題のスクレイピングになります!

そもそもスクレイピングってどういう意味なのでしょうか。

スクレイピングとは、「削る」や「こすり落とす」といった英語の意味になります。つまり、元々あったものをスクレイピングすることで、欲しい部分だけを残すイメージです。

前回行った、Webページの取得は、スクレイピングを行う元々のデータを取得するために行いました。

次は、そのデータをスクレイピングすることで、必要なデータだけに加工するわけです。

しかし、どうやって、必要なデータだけにするのでしょうか。

方法は、いくつかありますが、今回は、正規表現によって、スクレイピングを行います。正規表現でのスクレイピングを簡単に説明すると、文字列のパターンを指定して、そのパターンに合った文字列のみを残す方法です。以上のことを、模式図で表すと下記のようになります。

 


ということで、本記事では、正規表現を使用したスクレイピングを行い、取得したページの記事タイトルと記事のURLを抜き出します。

【10分でできる】正規表現をうまく書けるかがポイント!


※ダウンロード時間は10分の中に含まれていません。

0.概要


取得したページの記事タイトルと記事のURLが、どのようにHTMLで表記されているか確認します。次に、スクレイピングを行うPythonスクリプトファイルを作成します。最後に、Pythonスクリプトファイルを実行し、必要な文字列を取得します。

1.使用したもの


・Virtual box

https://www.virtualbox.org/

・Vagrant

https://www.vagrantup.com/

・Term Term

https://ja.osdn.net/projects/ttssh2/

・Python3.4

2.手順


※下記の記事の内容を完了しているものとして、進めていきます。

①HTMLの確認


前回、取得したページを開きます。

右クリックして、検証をクリックします。

上記の画像を参考にすると、a要素の属性として記事URLと記事タイトルが存在することが分かります。

この文字列を参考にして、スクリプトファイルを作成しましょう。

②Pythonスクリプトファイルの作成


import re
from html import unescape

前回ダウンロードしたファイルを開き、中身を変数htmlに格納する。

with open(‘dp.html’) as f:
blog_html = f.read()

re.findall()を使って、URLと記事タイトルが含まれるHTMLを取得する。

for contain_article_title_url in re.findall(r’<a href=”.?” class=”entry-card-wrap a-wrap cf” title=”.?”‘, blog_html, re.DOTALL):

記事のタイトルとURLは、a要素のhref属性とtitle属性からそれぞれ取得する。

url_title = re.search(r’<a href=”(.?)” class=”entry-card-wrap a-wrap cf” title=”(.?)”‘, contain_article_title_url).group(1,2)

print(url_title)


 

簡単に解説すると、

 


with open(‘dp.html’) as f:
blog_html = f.read()


取得したWebページを変数blog_htmlに代入

 


for contain_article_title_url in re.findall(r’<a href=”.?” class=”entry-card-wrap a-wrap cf” title=”.?”‘, blog_html, re.DOTALL):


記事URLと記事タイトルが含まれる部分を大まかに取得。正規表現で「.*?」と記入されている部分は、どのような文字列とも合う(マッチ)ようにしています。

①で確認した文字列を参考に、「re.findall(r’~~」を記入しています。上記のコードは、a要素のtitle属性まで取得しています。


url_title = re.search(r’<a href=”(.?)” class=”entry-card-wrap a-wrap cf” title=”(.?)”‘, contain_article_title_url).group(1,2)


記事URLと記事タイトルを抜き出しています。「(.*?)」が2つあります。これは、group(1,2)と対応しています。

つまり、group(1)には記事URLが、group(2)には、記事タイトルがあります。

 


print(url_title)


抜き出した記事URLと記事タイトルを表示させます。

以上、コードの解説を簡単に解説しました。詳しく勉強したい方は、本記事の最後に記載されている参考図書をおすすめします。

③Pythonスクリプトファイルの実行


作成したスクリプトファイルを共有フォルダに移動させて、ゲストOSから実行させます。

上記の画像のように、記事URLと記事タイトルが表示されていれば成功です。

余計な部分も抜き出してしまいました(画像上部)何度もやり直したのですが、取り除くことができませんでした。申し訳ございません。

詳細

画像が見づらい場合は、以下のリンク先に移動することをおすすめします。

https://hk-ryukyu.club/hideto/archives/825

【最後に】参考図書の紹介


以下の書籍は、私がPythonスクレイピングを勉強するにあたって、使用した書籍です。

「Python逆引き大全」は、秀和システムの技術書読み放題サービス「10×Eng」で読めます。最初の2週間は無料、それ以降は、月額900円で利用できます。

「プログラミング超初心者が初心者になるためのPython入門」はkindle unlimitedで読めます。

https://www.amazon.co.jp/Pythonクローリング%EF%BC%86スクレイピング-―データ収集・解析のための実践開発ガイド―-加藤-耕太-ebook/dp/B01NGWKE0P/ref=sr_1_2?s=digital-text&ie=UTF8&qid=1547444558&sr=1-2&keywords=%E3%82%B9%E3%82%AF%E3%83%AC%E3%82%A4%E3%83%94%E3%83%B3%E3%82%B0

https://www.amazon.co.jp/現場ですぐに使える%EF%BC%81-Pythonプログラミング逆引き大全-313の極意-金城俊哉-ebook/dp/B07CKW7HRT/ref=sr_1_12?s=digital-text&ie=UTF8&qid=1547444718&sr=1-12&keywords=Python

https://www.amazon.co.jp/プログラミング超初心者が初心者になるためのPython入門%EF%BC%88%EF%BC%91%EF%BC%89-セットアップ・文字列・数値編-たっく-ebook/dp/B00SH9TZV6/ref=sr_1_1?s=digital-text&ie=UTF8&qid=1547444851&sr=1-1&keywords=Python+%E8%B6%85%E5%88%9D%E5%BF%83%E8%80%85

https://www.amazon.co.jp/プログラミング超初心者が初心者になるためのPython入門%EF%BC%88%EF%BC%92%EF%BC%89-リスト・タプル・ディクショナリ・if・-ループ編-たっく-ebook/dp/B00UTE7IVQ/ref=pd_sim_351_1/357-6861445-6074822?_encoding=UTF8&pd_rd_i=B00UTE7IVQ&pd_rd_r=f08ac831-17bf-11e9-8614-61eb2314ce97&pd_rd_w=GVCNp&pd_rd_wg=yAeJA&pf_rd_p=b79503b3-46ea-4244-8b06-2f14c40a97b1&pf_rd_r=1AE1MZJDDH5WGG46MKQF&psc=1&refRID=1AE1MZJDDH5WGG46MKQF

https://www.amazon.co.jp/プログラミング超初心者が初心者になるためのPython入門%EF%BC%88%EF%BC%93%EF%BC%89-関数・クラス編-たっく-ebook/dp/B014MQPCZA/ref=pd_sim_351_1/357-6861445-6074822?_encoding=UTF8&pd_rd_i=B014MQPCZA&pd_rd_r=faeda057-17bf-11e9-bc59-41dcf0bf4f18&pd_rd_w=sZ3Tw&pd_rd_wg=sCE0Q&pf_rd_p=b79503b3-46ea-4244-8b06-2f14c40a97b1&pf_rd_r=0P47J0THKB3M6SXP5XWF&psc=1&refRID=0P47J0THKB3M6SXP5XWF