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

90.34%

  • Python

    9288questions

    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。

  • Python 3.x

    7453questions

    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。

  • スクレイピング

    384questions

    スクレイピングとは、公開されているWebサイトからページ内の情報を抽出する技術です。

  • XPath(XML Path)

    83questions

    XML Path Language (XPath; XMLパス言語)は、マークアップ言語 XML に準拠した文書の特定の部分を指定する言語構文の事をいいます。XPathはXMLとは別の構文を使用します。XMLドキュメントの抽象、論理ストラクチャ上で動作します。

Pythonでtdの中をスクレイピングしたい

受付中

回答 2

投稿

  • 評価
  • クリップ 0
  • VIEW 347

kenchiku

score 0

 前提・実現したいこと

現在、某サイトをPythonのlxmlを使ってスクレイピングしようとしています。
tdのタグ内の情報を取得したいのですが、cssselectで指定できそうなclassがないのでXpathのfollowing-siblingである単語で出たtdの次のtdを取得しています。

tdのタグの中から「奥行」とだけ書いているtdの次の「600 mm」を取り出したいのですが、「奥行」とだけ書いているtdの前に「奥行」という言葉が含まれたtdが存在しているので次のtdの「カラー」を取り出してしまいます。

良い方法はないでしょうか?

 該当のソースコード

HTMLのソース

          <tr>            
            <th rowspan="9" mt:id="ATTR_ITEM_COL">商品仕様</th>                                  
            <td class="heading">
              寸法
            </td>
            <td class="yahooHighlightSearch spec">
              幅1600×奥行600×高さ700mm、引出し内形センタートレー・幅:758mm、奥行:382mm、高さ:42mm、サイドトレー・幅:322mm、奥行:382mm、高さ:42mm               
            </td>                                                
            <td class="heading">
              カラー
            </td>
            <td class="yahooHighlightSearch spec">
              メープル/ホワイト               
            </td>                                    
          </tr>
          <tr>
            <td class="heading">
              奥行
            </td>
            <td class="yahooHighlightSearch spec">
              600
              mm
            </td>          
            <td class="heading">
              高さ
            </td>
            <td class="yahooHighlightSearch spec">
              700
              mm
            </td>                     
          </tr>

Pythonのコード

    desk = {
        'url' : response.url,
        'title' : root.cssselect('.productTitle')[0].text_content().strip(),
        'price_num' : root.cssselect('p.priceNum > span.num')[0].text_content(),
        'price_tax' : root.cssselect('span.tax')[0].text_content(),
        'size' : root.xpath('//td[contains(., "寸法")]/following-sibling::td[1]')[0].text_content().strip(),
        'depth' : root.xpath('//td[contains(., "奥行"]/following-sibling::td[1]')[0].text_content().strip(),
        'height' : root.xpath('//td[contains(., "高さ")]/following-sibling::td[1]')[0].text_content().strip(),

    }


結果

{'url': '某サイト', 'title': 'プラス フラットライン 平机 引出し付き メープル/ホワイト 幅1600×奥行600×高さ700mm 1台', 'price_num': '¥18,400', 'price_tax': '¥19,872', 'depth': 'カラー', 'height': 'カラー', }


この結果のdepthとheightを'depth': '600mm', 'height': '700mm', にしたいです。
今はXpathのtd[contains(., "奥行")]のように部分一致で指定しているので、tdの中身と完全一致で指定する方法などがあれば知りたいです。他の良い方法があれば別の方法でも構いません。

よろしくお願い致します。

  • 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 2

0

  • lxmlだけでは、html内の要素指定がキツイ(html変更あった場合の修正コストが高い)ので、BeautifulSoupを使うのはいかがでしょう?
  • 参考:https://qiita.com/matsu0228/items/edf7dbba9b0b0246ef8f
spec_head  =  soup.find_all("td", attrs={"class": "heading"})
spec_body =  soup.find_all("td", attrs={"class": "yahooHighlightSearch"})

で、同じ要素数取れらようでしたら、

spec_head=="奥行"のインデクスが同じspec_bodyを参照することで、やりたいことが実現できるかと思います

投稿

  • 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。

0

containsを使わず、=で比較してはどうでしょうか?

'//td[normalize-space(text())="奥行"]/following-sibling::td[1]'


テストはしてません。

投稿

  • 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。

同じタグがついた質問を見る

  • Python

    9288questions

    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。

  • Python 3.x

    7453questions

    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。

  • スクレイピング

    384questions

    スクレイピングとは、公開されているWebサイトからページ内の情報を抽出する技術です。

  • XPath(XML Path)

    83questions

    XML Path Language (XPath; XMLパス言語)は、マークアップ言語 XML に準拠した文書の特定の部分を指定する言語構文の事をいいます。XPathはXMLとは別の構文を使用します。XMLドキュメントの抽象、論理ストラクチャ上で動作します。