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!

新規登録して質問してみよう
ただいま回答率
85.50%
正規表現

正規表現とは特定の文字列によるパターンマッチングを行う際に用いられる宣言型プログラミングです。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

Scrapy

Scrapyは、Pythonで開発されたオープンソースソフトウェアです。スクレイピングという、Webサービスから必要な情報を取り出したり自動操作をしたりする技術を使うものです。

Q&A

解決済

1回答

425閲覧

タグ内の文字列(商品名)に含まれるメタ文字を取り除く正規表現を知りたい

mbase

総合スコア17

正規表現

正規表現とは特定の文字列によるパターンマッチングを行う際に用いられる宣言型プログラミングです。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

Scrapy

Scrapyは、Pythonで開発されたオープンソースソフトウェアです。スクレイピングという、Webサービスから必要な情報を取り出したり自動操作をしたりする技術を使うものです。

0グッド

0クリップ

投稿2018/05/28 02:29

PythonのScrapyを使って、HTMLから文字列を取り出しています。

ガリガリ君の商品名を抜き出すために、以下のコードを書きました。

python

1 2from scrapy.spiders import CrawlSpider, Rule 3from scrapy.linkextractors import LinkExtractor 4 5 6# ガリガリ君 7class AkagiGarigariSpider(CrawlSpider): 8 name = 'garigari' 9 allowed_domains = ['www.akagi.com'] 10 start_urls = ( 11 'https://www.akagi.com/products/garigari/soda_stick.html', 12 'https://www.akagi.com/products/gatsun/mikan_stick.html', 13 ) 14 15 rules = ( 16 17 # 辿ってほしいリンクの条件(ルール)を指定する 18 Rule(LinkExtractor(allow=r'/garigari/.+$'), callback='parse_ice'), 19 20 Rule(LinkExtractor(allow=r'/gatsun/.+$'), callback='parse_ice'), 21 22 ) 23 24 def parse_ice(self, response): 25 26 yield{ 27 # 商品名の要素h1の中には<span>が含まれているため、.xpath('string()')でh1以下のすべてのテキストを取得 28 'item_name': response.css('#contents article h1').xpath('string()').extract(), 29 'image': response.css('article .photo figure img::attr("src")').extract(), 30 } 31

出力結果ですが、以下のように商品名の先頭と最後にメタ文字(\r\n\tなど)が含まれてしまいます。

{ "item_name": [ "\r\n\tガリガリ君コーラ(棒)\r\n" ], "image": [ "content/images/products/200gif/gari_cola_stick.gif" ] }, { "item_name": [ "\r\n\tガリガリ君ソーダ(棒)\r\n" ], "image": [ "content/images/products/200gif/gari_soda_stick_samurai18.gif" ] }, 以下略

item_name を抜き出すための正規表現を変えれば、商品名だけ(たとえば「ガリガリ君コーラ(棒)」)を取り出すことは可能でしょうか?

また、可能であればその正規表現を教えていただけますと幸いです。

よろしくお願いします。

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MY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。

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

guest

回答1

0

ベストアンサー

str.strip()を使用するとよいのではないでしょうか

Python

1yield{ 2 'item_name': response.css('#contents article h1').xpath('string()').extract_first().strip(), 3 ... 4 }

投稿2018/05/28 05:56

magichan

総合スコア15898

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

mbase

2018/05/28 11:23

ありがとうございます。ばっちり取得できました。
guest

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

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
85.50%

質問をまとめることで
思考を整理して素早く解決

テンプレート機能で
簡単に質問をまとめる

質問する

関連した質問