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

88.63%

BeautifulSoupでの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 0
  • VIEW 744

bunta3264

score 15

スクレイピングの練習として、とあるRSSのデータの取得を行っています。
その中で、<link></link>で囲まれている部分のテキストがどうしても取得できません。

 
対象ページのHTML構造
下記からitem内のテキストを順に取得しようとしています。

<item>
 <title>タイトル</title>
 <link>https://hogefuga.php</link>
 <description>hoge</description>
</item>

pythonのソースコード
(本来はrequestsでhtmlを取得してきていますが、冗長となるため省略いたしました。)

# -*- coding:utf-8 -*-

from bs4 import BeautifulSoup

s = '<item><title>タイトル</title><link>https://hogefuga.php</link><description>hoge</description></item>'
soup = BeautifulSoup(s, "lxml")
print(soup.link)

 発生している問題・エラーメッセージ

上記のコードで実行したところ、Noneが返ってきます。

 試したこと

soupをprintしたところ、

print(soup)
>> <item><title>タイトル</title><link/>https://hogefuga.php<description>hoge</description></item>


なぜかもともともhtmlのテキストでは<link></link>で囲まれている部分が、
</link>に置き換わってしまい、結果的に

soup.link
>> None


となっているようです。

なぜ書き換わってしまうのか、まったくわからず投稿いたしました。

何卒宜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
    • 過去に投稿した質問と同じ内容の質問
    • 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ベストアンサー

0

link タグは空タグなので、HTML の規約上、コンテンツは持たないはずです。
なので、DOMツリー上は以下のように解釈されます。

item
├── title
├── link
├── NavigateString
└── description

もし<link>https://hogefuga.php</link> のようにしているサイトがあるのだとしたら、そのサイトの HTML は間違っています。

mozilla.org

Permitted content None, it is an empty element.

from bs4 import BeautifulSoup

s = '<item><title>タイトル</title><link>https://hogefuga.php</link><description>hoge</description></item>'
soup = BeautifulSoup(s, "lxml")
print(soup.link.next_sibling)
# https://hogefuga.php

 訂正

質問を見てなかったのですが、RSS なのでパースするのは HTML ではなく、XML ですね。
その場合、パーサーはXML用のものを指定してください。

from bs4 import BeautifulSoup

s = '<item><title>タイトル</title><link>https://hogefuga.php</link><description>hoge</description></item>'
soup = BeautifulSoup(s, "lxml-xml")
print(soup.link)  # <link>https://hogefuga.php</link>


公式ドキュメント の Installing a parser の欄を参照してください。

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。

  • 2018/10/25 00:29

    大変すばやいご回答ありがとうございます。
    夜分にご対応ありがとうございました。

    そもそもRSSがXMLだということを理解しておらず、失礼致しました。
    大変丁寧なご説明、およびドキュメントのご提示誠にありがとうございます。

    これを機にしっかり勉強いたします。
    今後ともよろしくお願い致します。

    キャンセル

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 88.63%
  • 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