pythonでのスクレイピング

Question

前提・実現したいこと

python初心者です。
下記のサイトからチーム毎に各ゴールパターンのゴール数というデータを取得し、リストの形で保持したいと考えています。

http://www.football-lab.jp/summary/team_ranking/j1/?year=2018&data=goal

リスト化したい箇所はサイトでは「得点数」としてグラフ化されている部分の元データです。

[[広島,2,0,6,4,0,3,0,3,4,0],
[FC東京,3,0,3,4,2,4,1,1,2,1],
...]

というようなデータにしたいです。

発生している問題・エラーメッセージ

かなり強引にですが、beautifulsoupで該当箇所を文字列として取得する事は出来ました。
得られた文字列はチーム毎に[]で囲まれて、見た目はもう少しでリスト化出来そうなのですが、
そこから先が思いつきません。

該当のソースコード

import requests
import re

from bs4 import BeautifulSoup,Comment

url = "http://www.football-lab.jp/summary/team_ranking/j1/?year=2018&data=goal"

response = requests.get(url)
bs = BeautifulSoup(response.content,"lxml")

test=str(bs.find(string=re.compile("function drawChart")))

test2="["+test[test.find('チーム'):test.find(',\t\t]);\n\n\t\tvar')].replace("\'","").replace("\n\t\t\t","").replace("\t\t","").replace(" ","").replace("[]","")

スクレイピングの部分ももっとスマートなやり方があれば教えて頂きたいです。。
どうぞ宜しくお願い致します。

Answer 1

リスト部の文字列を正規表現で抜き出して eval() 又は ast.literal_eval() にてリスト化するとよいかと思います。

from pprint import pprint
import requests
import re
import ast

from bs4 import BeautifulSoup,Comment

url = "http://www.football-lab.jp/summary/team_ranking/j1/?year=2018&data=goal"

response = requests.get(url)
bs = BeautifulSoup(response.content,"lxml")
test=str(bs.find(string=re.compile("function drawChart")))

tbl = re.search(r'arrayToDataTable((.*?))', test, flags=re.DOTALL|re.MULTILINE).group(1)
pprint(ast.literal_eval(tbl))
#[['チーム',
#  'ＰＫ',
#  'セットプレー直接',
#  'セットプレーから',
#  'クロスから',
#  'スルーパスから',
#  'ショートパスから',
#  'ロングパスから',
#  'ドリブルから',
#  'こぼれ球から',
#  'その他'],
# ['広島', 2, 0, 6, 4, 0, 3, 0, 3, 4, 0],
# ['FC東京', 3, 0, 3, 4, 2, 4, 1, 1, 2, 1],
# ['札幌', 0, 0, 5, 8, 1, 2, 1, 1, 1, 1],
# ['神戸', 0, 1, 4, 2, 2, 3, 0, 2, 4, 1],
# ['清水', 2, 0, 5, 3, 0, 6, 0, 1, 1, 1],
# ['川崎Ｆ', 0, 0, 5, 5, 1, 3, 1, 1, 0, 3],
# ['長崎', 1, 0, 4, 7, 3, 0, 0, 1, 2, 1],
# ['横浜FM', 1, 2, 4, 3, 0, 4, 0, 3, 1, 0],
# ['Ｃ大阪', 1, 3, 4, 0, 1, 1, 1, 3, 1, 3],
# ['柏', 0, 0, 1, 4, 1, 2, 0, 4, 2, 2],
# ['湘南', 1, 0, 4, 3, 1, 0, 1, 1, 1, 4],
# ['磐田', 1, 0, 3, 4, 0, 4, 0, 1, 1, 1],
# ['仙台', 1, 0, 3, 0, 0, 2, 1, 3, 2, 3],
# ['鳥栖', 3, 0, 3, 1, 0, 5, 0, 0, 0, 2],
# ['Ｇ大阪', 2, 0, 2, 2, 1, 5, 0, 2, 0, 0],
# ['名古屋', 1, 0, 5, 2, 1, 1, 0, 0, 1, 1],
# ['浦和', 1, 0, 4, 4, 0, 0, 0, 1, 2, 0],
# ['鹿島', 2, 1, 1, 2, 2, 1, 0, 0, 2, 0]]

Comments

[mana40]

ご回答ありがとうございます！
教えて頂いた内容で意図通りの結果を得られました。
こんなやり方があるとは全く知りませんでした。

宜しければ教えて頂きたいのですが、
１）正規表現で表している「r'arrayToDataTable((.*?))」の意図としては、
　「arrayToDataTable((」と「))」を満たす最小の文字列を返させるという事でしょうか？

２）group(1)を外して実行すると該当データの1行目の途中までという結果となったのですが、
　このgroup(1)の働きはどのようなものなのでしょうか？

3）「ast」モジュールを今回初めて知ったのですが、公式ドキュメントではその働き・使い方がいまいちよくわかりませんでした。。
　参考になるページなどがありましたら教えていただけないでしょうか？

以上、重ねての質問で恐縮ですが、教えて頂けると幸いです。

[magichan]

1.) 2)
まず、正規表現
r'arrayToDataTable(.*?)'
はおっしゃる通り、 "arrayToDataTable(...)"に最短マッチさせることが目的となるのですが、今回処理で必要となるのはこの中の "..." の部分のみとなります。
そこで正規表現を
r'arrayToDataTable((.*?))'
のように必用となる部分をさらに括弧で囲います。（これをグループ化といいます）
このように検索条件の一部を括弧をつかってグループ化しておくことで、検索結果から
re.search(...).group(1)
としてそのグループを取得することができます。
（グループが複数ある場合は 引数の数字にて引き当てるグループを選択します）

[magichan]

3)
まずは eval() を理解するとよいかと思います。
これは文字列をPython式として評価するための組み込み関数で、例えば
>>> s = "1 + 2"
>>> eval(s)
3
のように文字列の数式を計算することができるという非常にパワフルな関数で、今回のように単なる文字列をリストとして評価するのに有効に機能します。
しかし残念ながら、外部から取り込んだ文字列を eval() に入力するのは非常に危険が伴います。例えば
>>> s = "__import__('os').system('rm -rf *')"
>>> eval(s)
のように悪意のあるユーザが作成したスクリプトを eval() によって実行されてしまう可能性がある為です。
そこで今回の ast.literal_eval() を使用します。
ast.literal_eval()は評価する対象がタプルやタプル、辞書などに限定されており上記のようなスクリプトを実行することが出来ないため安全に文字列→リスト変換を安全に行うことができます。

[mana40]

追加のご回答ありがとうございます。
自分で考えていた時にも「arrayToDataTable」の後の部分から抽出したいと考えたのですが、このような方法があるのですね。
また、eval/list_evalの用法も理解できました。
とても分かり易いご回答を頂きありがとうございました。大変勉強になりました！