スクレイピングの時、入れ子の要素をうまく取得する方法

スクレイピング初心者です。教えてください。
基礎的な本を読んで次のようなhtmlタグの中身を取得する方法は理解しました。

<a>15m</a>,
<a>100kg</a>

これは次のようにして２つの要素が取り出せました。

result=find_all("a")

result[0].string
result[1].string

実行結果--
15m
100kg

しかしいざ実践しようとしたところ、入れ子（？）となっている要素がうまく取り出せません。

<a>15m<sup>2</sup></a>,
<a>100kg</a>

同じように書くと、、

result=find_all("a")

result[0].string
result[1].string

実行結果--
None
100kg

となってしまいます。
<a>の中に<sup>があるからだと思うのですが。。
スマートな取り出し方を教えてください。

行動規範の内容に同意します

回答2件

ベストアンサー

コード書いてみました。
Python+BeautifulSoup4の例です。

.textを用いる場合
.stringではなく.textを用いれば、期待する出力は得られるようです。
unwrap()を用いてsup要素を削除
unwrap()を用いれば、要素の削除ができるようです。

Python
1from bs4 import BeautifulSoup
2
3# テスト用のHTML
4html = """
5<a>15m<sup>2</sup></a>,
6<a>100kg</a>
7"""
8
9#
10# .textで取得する方法
11#
12# soup = BeautifulSoup(html) と書いたらWarningが出るため下記コードにする
13soup = BeautifulSoup(html, 'lxml')
14
15a_elements = soup.find_all('a')
16print(a_elements[0].text)
17# Output: 15m2
18print(a_elements[1].text)
19# Output: 100kg
20
21#
22# unwrapを用いた場合
23#
24# soup_unwrap = BeautifulSoup(html) と書いたらWarningが出るため下記コードにする
25soup_unwrap = BeautifulSoup(html, 'lxml')
26
27# unwrap処理
28for element in soup_unwrap.find_all('sup'):
29    element.unwrap()
30
31a_elements_unwrap = soup_unwrap.find_all('a')
32print(a_elements_unwrap[0].text)
33# Output: 15m2
34print(a_elements_unwrap[1].text)
35# Output: 100kg
36
37#
38# 参考
39#
40print(a_elements)
41# Output: <a>15m<sup>2</sup></a>, <a>100kg</a>]
42print(a_elements[0])
43# Output: <a>15m<sup>2</sup></a>
44print(a_elements[1])
45# Output: <a>100kg</a>
46
47print(a_elements_unwrap)
48# Output: [<a>15m2</a>, <a>100kg</a>]
49print(a_elements_unwrap[0])
50# Output: <a>15m2</a>
51print(a_elements_unwrap[1])
52# Output: <a>100kg</a>

投稿2018/02/11 05:04

編集2018/02/11 05:07

K_S_

総合スコア419

saita

2018/02/11 09:47

ありがとうございます。textにすると取れるとは。。もう少し勉強してみます。

行動規範の内容に同意します

BeautifulSoupの質問でしょうか？
質問文には問題が発生する最低限のソースコードと「期待する結果」を記載してくださいな。

取得したい結果	コード
15m2	result[0].text
15m	result[0].contents[0].string

以下はサンプルソースコードです。

Python
1# -*- coding: utf8 -*-
2from bs4 import BeautifulSoup
3
4
5def main() -> None:
6    html = """<!DOCTYPE html><head><title></title></head>
7        <body>
8            <a>15m<sup>2</sup></a>,
9            <a>100kg</a>
10        </body></html>"""
11
12    soup = BeautifulSoup(html, 'lxml')
13    result= soup.find_all("a")
14    for el in result:
15        print("#" * 20)
16        print(el.contents[0].string)
17        print(el.text)
18        print(el.string)
19
20
21if __name__ == '__main__':
22    main()
23