URLリストのtxtを読み込んでスクレイピングして、取得した情報をcsvに保存したい

Question

前提・実現したいこと

目当てのサイトから必要な情報を抜き出し、csvに保存するところまではできたのですが、実際にやりたいことまで知恵が及ばず、こちらで質問することにしました。

下記コードで１つのURLの"h2"が取得でき、"news.csv”に保存ができています。
でも本当は、情報を取得したいURLが大量あるのです。

該当のソースコード

現在のコード（sample.py）
──────────

import requests, bs4
import csv

res = requests.get('https://news.yahoo.co.jp/pickup/6286588')
res.raise_for_status()
soup = bs4.BeautifulSoup(res.text, "html.parser")
elems = soup.select('h2')
for elem in elems:
    print(elem)

with open('news.csv', 'w', encoding='CP932', errors='ignore') as f:
    writer = csv.writer(f)
    writer.writerows(elems)

──────────

本題

URLは違うけど、同じサイトの中で、hmtlの骨組みが同じなので、アクセスするURLさえ変えることができれば他はそのままでいいです。

そこで、「URLがリスト化されたファイル"urllist.txt"の内容を読み込んで、一行目のURLから順々にアクセスして"h2"を取得し、csvに書き込んで保存するコード」というイメージでコーディングしたいと思っています。

※urllist.txtの内容
https://news.yahoo.co.jp/pickup/6286588
https://news.yahoo.co.jp/pickup/6286594
https://news.yahoo.co.jp/pickup/6286582

"requests.get"で指定するURLを別のファイルから読み込んで指定する方法、同じ処理を繰り返す方法、などで調べたのですが、必要な回答に辿り着くことができませんでした。
正解例がわかる方、どなたかお願いしますm(__)m

補足情報

・URLとh2に関しては質問用です。
・urllist.txtはテキストファイルじゃなくてもいいです。
・requests.getにこだわりはないです。

Answer 1

データを読み取る部分を関数にすると良いでしょう。

import time
...略


def scrape(url):
    res = requests.get(url)
    ...略

    time.sleep(1)  # 一秒待つ。相手方のサーバに負担をかけすぎないための配慮。


def main():
    ファイルからidを読み込み、page_id_listを作る
    for page_id in page_id_list:
        scrape(f'https://news.yahoo.co.jp/pickup/{page_id}')


if __name__ == '__main__':
    main()

---

肝心の『ファイルからidを読み込む』部分は、例えば次のように書けます。

6286588
6286594
6286582

with open('id_list.txt') as f:
     page_id_list = [int(row) for row in f]

追記

順調なようなので、追加で少しお手伝い。
ファイルに書き出す方法は、主に次の二つのうちいずれかです。

• csvライターをやり取りする方法

def scrape(url, csv_writer):
    ...略

    csv_writer.writerows(elems)


def main(f):
    writer = csv.writer(f)

    ...略
    for page_id in page_id_list:
        scrape(f'https://news.yahoo.co.jp/pickup/{page_id}', writer)


if __name__ == '__main__':
    with open('news.csv', 'w', encoding='CP932', errors='ignore') as f:
        main(f)

毎回開きなおすと上書きされてしまうことにご注意ください。

• 結果をリストにまとめておく方法

def scrape(url):
    ...略


def main():
    result = []

    ...略
    for page_id in page_id_list:
        result.extend(scrape(f'https://news.yahoo.co.jp/pickup/{page_id}'))

    with open('news.csv', 'w', encoding='CP932', errors='ignore') as f:
        writer = csv.writer(f)
        f.writerows(result)

コードの書き方について

teratailには、上記のようにコードを見やすく表示する機能があります。
質問編集画面を開き、コードを選択した状態で<code>ボタンを押してください。

Comments

[etherwind]

素早いご回答ありがとうございます。早速試しているのですがうまくいかず、もしできたら完成形のコードで書き込んでいただければ幸いですm(_ _)m

[LouiS0616]

インデントさえ気を付ければ、ほとんど元のコードのままで動くはずですよ。
なにかエラーが出ているのでしょうか？

[etherwind]

実は、pythonの勉強は今日始めたばかりで、単純に、教えてくださったコードを、自分のコードのどこに書き加えて、どこを書き換えるのか、まだ知識不足でわからないからですm(_ _)m　「データを読み取る部分を関数にする」の意味はわかりました。いま「def scrape」や「def main」の使い方や、パラメータを関数にする場合のやり方などを調べています(汗)

[LouiS0616]

なるほど。
『scrape』というのは今私がテキトーにつけた名前なので、ヒットしないです。

『Python 関数』とか調べてみてください。

[etherwind]

ありがとうございます。頑張ってみますm(_ _)m

[etherwind]

コードの見た目を直しました(;^ω^)

[etherwind]

途中経過です。
とりあえずid_list.txtを読み込んで情報を取得するところまでいけました。
あとはcsvへの保存のみです。

──────
import requests, bs4
import csv
import time

def scrape(url):
res = requests.get(url)
res.raise_for_status()
soup = bs4.BeautifulSoup(res.text, "html.parser")
elems = soup.select ('h2')
for elem in elems:
print(elem)

time.sleep(1)

def main():
with open('id_list.txt') as f:
page_id_list = [int(row) for row in f]
for page_id in page_id_list:
scrape(f'https://news.yahoo.co.jp/pickup/{page_id}')

if __name__ == '__main__':
main()

#with open('news.csv', 'w', encoding='CP932', #errors='ignore' newline="") as f:
# writer = csv.writer(f)
# writer.writerows(elems)

[LouiS0616]

順調なようですね。素晴らしいです。少しだけ追記しておきました。

[etherwind]

ありがとうございます。追記していただいたコードをみました。あぁまさにこれで、ちょうどいま「= []」という、リスト化する時に使うらしいコードの使い方を調べていたところです！　保存が上手く行かないので、とりあえずデータの取得までで仕上げたのが上の途中経過のものになります。引き続き、頑張ります。

[etherwind]

できました！
「csvライターをやり取りする方法」を参考にしました。
commandプロンプト上で情報を取得している流れが見たかったので11行目に「print(elem)」を追記しています。
ここから細かい調整をしていきますが、ひとまず、実現したい事はできたので、一旦クローズにします。
「LouiS0616」さんありがとうございました！

──────────
import requests, bs4
import csv
import time

def scrape(url, csv_writer):
res = requests.get(url)
res.raise_for_status()
soup = bs4.BeautifulSoup(res.text, "html.parser")
elems = soup.select ('h2')
for elem in elems:
print(elem)
csv_writer.writerows(elems)

time.sleep(1)

def main(f):
writer = csv.writer(f)
with open('id_list.txt') as f:
page_id_list = [int(row) for row in f]
for page_id in page_id_list:
scrape(f'https://news.yahoo.co.jp/pickup/{page_id}', writer)

if __name__ == '__main__':
with open('news.csv', 'w', encoding='CP932', errors='ignore') as f:
main(f)

──────────
※余談
「結果をリストにまとめておく方法」だとどうしても「NoneType’ object is not iterable」が出てしまい、そちらは断念しました。いつかエラーが出てしまう原因を理解したいと思います。
エラーが出てしまうコードを一応載せておきます。

失敗パターン
──────────
import requests, bs4
import csv
import time

def scrape(url):
res = requests.get(url)
res.raise_for_status()
soup = bs4.BeautifulSoup(res.text, "html.parser")
elems = soup.select ('h2')
for elem in elems:
print(elem)

time.sleep(1)

def main():
result = []

with open('id_list.txt') as f:
page_id_list = [int(row) for row in f]
for page_id in page_id_list:
result.extend(scrape(f'https://news.yahoo.co.jp/pickup/{page_id}'))

with open('news.csv', 'w', encoding='CP932', errors='ignore') as f:
writer = csv.writer(f)
f.writerows(result)

if __name__ == '__main__':
main()