質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

91.23%

  • Python 3.x

    2798questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

【python3】「次へ」ページのリンク(相対url)を絶対urlに変換したい

解決済

回答 1

投稿 編集

  • 評価
  • クリップ 1
  • VIEW 59

yuka-co

score 1

python3の初心者です。
検索結果一覧を取得するプログラムを組む中で、

  • beautifulsoup4で「次へ」ページの相対urlを取得
  • 取得した相対urlを絶対urlに変換
  • 変換した絶対urlにアクセスしてスクレイビング
    をしたいと考えています。検索結果が複数ページに跨っている場合全て取得したいので、whileでループさせたいです。検索結果の「次へ」ページは相対urlでしか記述されていないため、単純にリンクを抽出してアクセスさせようとするとrequests.exceptions.MissingSchema: Invalid URLというエラーが出ました(下記に記載したエラーと同様の内容ではないかと思います)。

以下が書いたコードの抜粋になります。while以降が問題の箇所です。
whileの前に検索結果画面の1ページ目にアクセスして欲しい項目を抽出するコードを書いたのですが、そちらは問題なく動作しています。

from bs4 import BeautifulSoup
from urllib.parse import urljoin
from time import sleep

result = requests.get('抽出したいページ/form.php?type=list')
soup = BeautifulSoup(result.content,'html.parser')
office_html_list = soup.find_all('td', class_='listName')
with open('law.csv','a',encoding = 'utf_8_sig') as f:
    for office_html in office_html_list:
        office_name_text = office_html.get_text()
        f.write('{0}\n'.format(office_name_text)) 

sleep(10)

while True:
    if len(soup.find('li', class_='last')) > 0:
        urljoin('検索したいページ/form.php?type=list', requests.get(soup.find('a', class_='last')))
        soup = BeautifulSoup(result.content,'html.parser')
        office_html_list = soup.find_all('td', class_='listName')
        with open('law.csv','a',encoding = 'utf_8_sig') as f:
            for office_html in office_html_list:
                office_name_text = office_html.get_text()
                f.write('{0}\n'.format(office_name_text)) 
    else:
        break


urljoinを使った箇所で下記のエラーが出てきたため、相対から絶対へ上手く変換が出来ていないようです。

requests.exceptions.MissingSchema: Invalid URL '<a class="last" href="/検索したいページの相対url/form.php?type=list&amp;p=2">次の20件</a>': No schema supplied. Perhaps you meant http://<a class="last" href="/検索したいページの相対url/form.php?type=list&amp;p=2">次の20件</a>?

ネットで調べてもpython3系でのurljoinの方法が上手く特定できず、インポートするモジュールも合っているかわかっていないです。
また結合する二つのURLの記載も、

  • ベースとなるURLの書き方
  • findで抽出していきなり結合していいものか、できない場合はどうするのが効率が良いか
    などお聞きしたいです。

よろしくお願いいたします。

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

質問への追記・修正、ベストアンサー選択の依頼

  • module_jung

    2018/01/11 11:45

    私も初心者なので、この後にどなたかが良い回答をされるとは思うのですが、とりあえず。Python3.6.3のドキュメント(https://docs.python.jp/3/library/urllib.parse.html)に「urljoin」があります。こちらでみる限り、baseURLは「検索したいページ/」に結合されるように読めました。それと「requests.get()」は正しく値を取得できていますでしょうか。ほぼソースを見ないで書いていますので、失礼がありましたら申し訳ございません。

    キャンセル

  • yuka-co

    2018/01/11 20:52

    公式ドキュメントのリンクありがとうございます。実は今回seleniumを利用して解決したのですが、urljoinも基本だと思うのでじっくり読んでみます。

    キャンセル

回答 1

check解決した方法

0

urljoinを使うのは止め、seleniumとchromedriverを利用してXpathでアクセスできるようにしました。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

15分調べてもわからないことは、teratailで質問しよう!

ただいまの回答率

91.23%

関連した質問

同じタグがついた質問を見る

  • Python 3.x

    2798questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。