【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
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

Oracle VM VirtualBox

・Vagrant

Vagrant by HashiCorp
Vagrant enables users to create and configure lightweight, reproducible, and portable development environments.

・Term Term

Tera Term (テラターム) プロジェクト日本語トップページ - OSDN
Tera Term は、オリジナルの Tera Term Pro 2.3 の原作者公認の後継版です。オープンソースで開発されており、UTF-8 表示に対応しています。 また、SSH1 対応モジュール TTSSH を拡張し、SSH2 プロトコルをサポートしています。

・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。

3.追記

正規表現については、「Python逆引き大全」がおすすめです。

【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。

 

コメント

タイトルとURLをコピーしました