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

90.61%

  • Python 3.x

    5877questions

    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。

  • pandas

    546questions

    Pandasは、PythonでRにおけるデータフレームに似た型を持たせることができるライブラリです。 行列計算の負担が大幅に軽減されるため、Rで行っていた集計作業をPythonでも比較的簡単に行えます。 データ構造を変更したりデータ分析したりするときにも便利です。

  • selenium

    485questions

    Selenium(セレニウム)は、ブラウザをプログラムで作動させるフレームワークです。この原理を使うことにより、ブラウザのユーザーテストなどを自動化にすることができます。

  • スクレイピング

    306questions

  • for

    224questions

    for文は、様々なプログラミング言語で使われている制御構造です。for文に定義している条件から外れるまで、for文内の命令文を繰り返し実行します。

Python3.6.5+seleniumを用いたWEBスクレイピングについて

解決済

回答 1

投稿

  • 評価
  • クリップ 1
  • VIEW 174

 前提・実現したいこと

現在、公的機関のサイトにログインをして、申請した案件の進捗を確認するという作業を人的に行なっており、
2-30のIDをログイン/ログアウトしながら1つずつ確認作業をしています。
この作業が2-3時間かかってしまい、webスクレイピングでエクセルに情報を持ってきて、精査を行いたいと考えております。

 発生している問題・エラーメッセージ

現在、python3+selenium+pandasを使用して

・ログイン
・案件の絞り込み設定⇨テーブル表示
・pandasで取り込んで、既存のエクセルファイルへ新規シートで書き込み

までは出来ました。

が、URLが変わらないでテーブルが変化する動的サイト(javascript?)のページで、
かつ1ページ10件しか表示されない為、複数ページのスクレイピングができず困っております。

 該当のソースコード

from selenium import webdriver
from selenium.webdriver.support.ui import Select
from time import sleep
from bs4 import BeautifulSoup as BS
import sys
import os
import pandas as pd
import openpyxl as excel
import requests
import re
import ssl
import datetime
import math

#SSLエラー出ない為の処理
ssl._create_default_https_context = ssl._create_unverified_context
options = webdriver.chrome.options.Options()
#保存先の設定
path = "保存場所のPATH"
prefs = {"download.default_directory" : "保存場所のPATH"}
options.add_experimental_option("prefs",prefs)

#アクセス先サイトの設定
loginurl = "ログインURL"
url2 = "目的のURL"

#ID/PASSを変数に代入
username = "adc123"
password = "123g123g"

# ヘッドレスモードを有効にする(次の行をコメントアウトすると画面が表示される)。
options.add_argument('--headless')

# ChromeのWebDriverオブジェクトを作成する。
driver = webdriver.Chrome(chrome_options=options)

#開きたいページを開く
driver.get(loginurl)

#ページのテキストボックスへ入力
driver.find_element_by_name("loginPage:j_id3:username").send_keys(username)
driver.find_element_by_name("loginPage:j_id3:password").send_keys(password)

driver.execute_script("return comExecSubmit('submit','login');")
sleep(2)

url = driver.find_element_by_xpath('//*[@id="page:form:j_id54"]/div[2]/a').get_attribute('href')
driver.get(url)



# 普通にエレメントを取得する
shinsei_element = driver.find_element_by_name('j_id0:form:j_id71')

# 取得したエレメントをSelectタグに対応したエレメントに変化させる
shinsei_select_element = Select(shinsei_element)

# 選択したいvalueを指定する
shinsei_select_element.select_by_value('選択肢1')

# 選択後、検索ボタンクリック
driver.find_element_by_id("j_id0:form:comBtn").click()
sleep(3)

#ページ要素を取得
dgdg = driver.page_source.encode('utf-8')

#検索結果の合計件数を抽出(ex:○○○件中1件~10件目まで表示 といったタグ内のテキスト)
test= driver.find_element_by_xpath('//*[@id="j_id0:form:j_id103"]/div[1]/p')
print(test.text)
s = test.text

#抽出結果に日本語が含まれるので数字だけ抜き出す
pattern = r'([0-9]*)'
lists=re.findall(pattern,s)

#抽出した数字の1番目の数字を抽出
t = lists[0]

#10件ずつ表示されるので10で割って繰り返し回数を求める。
t2 = int(t)/10
#少数点が出るので切り上げる
t3 = math.ceil(t2) #これが後に繰り返し回数になる。

###########ここからできていないところ##########
#1)テーブル情報を取得し、ループで最後のページまで
#2)溜め込んだデータをexcelへ貼り付け
#がやりたいのです。
#コレもダメで
i = 0
for x in range(t3):
    dgdg = driver.page_source
    v = requests.post(dgdg)
    bos = BS(x, "lxml")
    table = bos.findAll("table",{"class":"list_table"})[0]
    rows = table.findAll("tr")

#これでもダメでした。
while i < t3:
    dgdg = driver.page_source.encode('utf-8')
    dfs = pd.read_html(dgdg)
    driver.execute_script("var a=function(){return doPaging('next', true);if(window != window.top){var f = document.getElementById('j_id0:form');f.action += (f.action.indexOf('?') == -1 ? '?' : '&');};};var b=function(){if(typeof jsfcljs == 'function'){jsfcljs(document.getElementById('j_id0:form'),'j_id0:form:j_id122,j_id0:form:j_id122','');}return false};return (a()==false) ? false : b();")
    i = i + 1

#取り込んだデータを既存excelファイルへ新規シート追加、書き込み
dfs[2].describe()
now = datetime.datetime.now()
EXL=pd.ExcelWriter('既存excelファイルのPATH', engine='openpyxl')
EXL.book=excel.load_workbook('既存excelファイルのPATH')
EXL.sheets=dict((ws.title, ws) for ws in EXL.book.worksheets)
dfs[2].to_excel(EXL, sheet_name='申請{0:%Y%m%d%p%H%M}'.format(now))
EXL.save()

 試したこと

Whileなどを用いてループ処理しましたが、最後の取り込んだページしか貼り付けられませんでした。
beautifulsoupを使用したところ、取り込みたいテーブルが格納されず断念しました。
※私の書き方に問題があった可能性もあります。

まだPythonを覚えたてで、悪戦苦闘しながらここまではできたのですが

javascriptのページスクレイピング
pandasを用いたループ処理 ※Pandasでなくても構いません

のところでつまずいてしまいました。
どなたか、お知恵をお貸しいただけませんでしょうか。
なにとぞ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。

回答 1

check解決した方法

+1

解決しました。

#####ここからできていないところ##########

より下部部分において、appendしてからループすることで解決しました。
質問しようとまとめた結果整理されて、もう一度試してみたところできました。
次はID/PASSを切り替えて複数アカウントで回せるように実装してみたいと思います。

ありがとうございました。

#入れ物を作る。
dfALL = pd.DataFrame()
#繰り返し処理、最後にdfALLへデータをappend(追加)してから繰り返し処理
for i in range(t3):
    table = pd.read_html(html)[2]
    dfALL = dfALL.append(table)
    #次へをClick
    driver.execute_script("var a=function(){return doPaging('next', true);if(window != window.top){var f = document.getElementById('j_id0:form');f.action += (f.action.indexOf('?') == -1 ? '?' : '&');};};var b=function(){if(typeof jsfcljs == 'function'){jsfcljs(document.getElementById('j_id0:form'),'j_id0:form:j_id122,j_id0:form:j_id122','');}return false};return (a()==false) ? false : b();")
    i = i + 1
    sleep(1)

投稿

編集

  • 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 90.61%
  • 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られる

関連した質問

同じタグがついた質問を見る

  • Python 3.x

    5877questions

    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。

  • pandas

    546questions

    Pandasは、PythonでRにおけるデータフレームに似た型を持たせることができるライブラリです。 行列計算の負担が大幅に軽減されるため、Rで行っていた集計作業をPythonでも比較的簡単に行えます。 データ構造を変更したりデータ分析したりするときにも便利です。

  • selenium

    485questions

    Selenium(セレニウム)は、ブラウザをプログラムで作動させるフレームワークです。この原理を使うことにより、ブラウザのユーザーテストなどを自動化にすることができます。

  • スクレイピング

    306questions

  • for

    224questions

    for文は、様々なプログラミング言語で使われている制御構造です。for文に定義している条件から外れるまで、for文内の命令文を繰り返し実行します。