【やりたいこと】スクレイピング後のデータを保存したい！
前回は、取得したWebページをスクレイピングすることで必要な部分（記事URLと記事タイトル）を抜き出すことに成功しました。
しかし、コマンドライン上で表示されているだけで、保存はされていません。
ということで、本記事では、スクレイピングしたデータをCSV形式で保存する方法を記載します。
【10分でできる】文字化けも問題なし！
※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
前回作成したPythonスクリプトファイルを修正します。次に、スクリプトファイルの実行とデータの保存を行います。最後に、文字化けを修正します。
1.使用したもの
・Virtual box
・Vagrant
・Term Term
・Python3.4
・Excel
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。
①スクリプトファイルの修正と実行
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()
print('url,title') #追加
# 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)
以下の部分を追加しました。
print('url,title') #追加追加理由は後に説明いたします。
スクリプトファイルを実行し、保存します。
python scrape_re_blog.py > url_title.csv
スクリプトファイルを実行することで表示された文字列を「url_title.csv」として共有フォルダに保存します。
実際に保存されているか確認してみましょう。
共有フォルダを確認すると、「url_title.csv」が保存されていることが分かります。
②文字化けの修正
「url_title.csv」を開きます。下記の画像を見ると、文字化けしているので、修正していきます。
データタブをクリックし、「テキストまたはCSVから」をクリックします。
元のファイルの▼マークをクリックし、Unicode(UTF-8)に変更します。
変更後、「読み込み」をクリックします。
上記の画像のように、文字化けが修正されていたら成功です。
2行目にurlとtitleがあります。これは、スクリプトファイルに追加で記入したprint(‘url,title’)のおかげです。つまり、コマンドライン上では、以下のように表示されていたことになります。
url,title
http~~,【WordPress】～～
http~~,【WordPress】～～
～ , ～
コンマを境に、A列、B列にそれぞれ表示されています。
【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