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%
XPath(XML Path)

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

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。

HTML

HTMLとは、ウェブ上の文書を記述・作成するためのマークアップ言語のことです。文章の中に記述することで、文書の論理構造などを設定することができます。ハイパーリンクを設定できるハイパーテキストであり、画像・リスト・表などのデータファイルをリンクする情報に結びつけて情報を整理します。現在あるネットワーク上のほとんどのウェブページはHTMLで作成されています。

Q&A

解決済

1回答

1249閲覧

Scrapy, response.xpath().extract()で抽出結果が空欄

fukazume

総合スコア78

XPath(XML Path)

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

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。

HTML

HTMLとは、ウェブ上の文書を記述・作成するためのマークアップ言語のことです。文章の中に記述することで、文書の論理構造などを設定することができます。ハイパーリンクを設定できるハイパーテキストであり、画像・リスト・表などのデータファイルをリンクする情報に結びつけて情報を整理します。現在あるネットワーク上のほとんどのウェブページはHTMLで作成されています。

0グッド

0クリップ

投稿2018/10/29 07:27

編集2018/10/30 09:47

###■経緯

  • 以前、[類似質問をTeratail

](https://teratail.com/questions/154179)でさせていただき、その時は頂いたアドバイスのとおりUSER_AGENTを指定することでyahoo.co.jpから正常にXpath抽出ができました。

  • 今回、別のサイト(amazon.co.jp)で、CSSでは抽出できるのにXpathで抽出できずに[]という空(?)の値が返ってくる現象に遭遇しました。

###■質問
以下の環境で、Xpathにてテキスト(例: Tarzan(ターザン) 2018年11月8日号 No.752※)が正常に抽出できる方法を教えていただけますでしょうか?

※テキスト内容は閲覧時期で変化すると思います。

【手順1】 Scrapy shellでAmazonの特定ページを開く

Scrapy

1scrapy shell -s USER_AGENT='Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36' 'https://www.amazon.co.jp/%E6%9C%AC-%E9%80%9A%E8%B2%A9/b/ref=sd_allcat_jb?ie=UTF8&node=465392'

【手順2】同じ要素をresponse.xpath()でテキスト抽出を試みると、xpathの抽出結果が[]で返ってくる(=空っぽ)。一方、response.css()では意図したとおりに、テキスト抽出できる。

Scrapy

1In [7]: response.xpath('//*[@id="anonCarousel2"]/ol/li[1]/div[1]/a/span/text()').extract() 2Out[7]: [] 3 4In [8]: response.css('.a-size-small::text').extract() 5Out[8]: 6[u'Tarzan(\u30bf\u30fc\u30b6\u30f3) 2018\u5e7411\u67088\u65e5\u53f7 No.752', 7 u'\n\t\tKindle\u7248\n\t', 以下略

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

取得できない原因

この id="anonCarousel3" ですが、Javascript で挿入されています。

<div class="a-carousel-viewport" id="anonCarousel3" style="height: 340px;">

例えば、Disable JavaScript というアドオンを入れて、Javascript を無効にすると、この id="anonCarousel3" は存在しないことがわかります。
scrapy で取得した際に Javascript のレンダリングは行われていないため、その結果、XPath の結果が空となっています。
一方、'.a-size-small::text' を持つタグは Javascript に関係なく、存在しているので取得できます。

またブラウザでアクセスすると、id="anonCarousel3" はアクセスするときによって変わることがありました。自分の環境では anonCarousel3, anonCarousel4 が出ました。

解決策

解決策としては、Javascript がなくても書籍の一覧自体は表示されていたので、他の目印でセレクタを作ればよいでしょう。

どうしてもブラウザでアクセスしたとき同様に Javascript を動く環境を再現して、スクレイピングしたいのであれば、以下の方法もあるようです。
scrapy-splashを使ってJavaScript利用ページを簡単スクレイピング

追記

方法について記載してなかったので追記

以下の環境で、Xpathにてテキスト(例: Tarzan(ターザン) 2018年11月8日号 No.752※)が正常に抽出できる方法を教えていただけますでしょうか?

//span[@class="a-size-small"]/text() で取得できます。

In [2]: response.xpath('//span[@class="a-size-small"]/text()').extract() Out[2]: ['日本国紀', 'anan(アンアン) 2018/11/14号 No.2126', 'Tarzan(ターザン) 2018年11月8日号 No.752', 'Fire TV Stick', 'Amazon', '人間カード(1)', 'お金2.0\u3000新しい経済のルールと生き方 (NewsPicks Book)', 'GIGANT(2) (ビッグコミックス)', '10キロやせて永久キープするダイエット', '異世界迷宮でハーレムを(3) (角川コミックス・エース)', '世界史とつなげて学べ 超日本史\u3000日本人を覚醒させる教科書が教えない歴史', '金色のガッシュ!! 完全版(1)', '聖者無双(3) (シリウスコミックス)', '大人も眠れないほど面白い宇宙の雑学~17億5000万年後の地球の未来は?!~', '傷つきやすい人のための\u3000図太くなれる禅思考', '宇宙兄弟(34) (モーニングコミックス)', 以下略

投稿2018/10/30 11:54

編集2018/10/30 14:06
tiitoi

総合スコア21956

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。

fukazume

2018/11/01 01:00

以前に引き続き明解なご回答、誠に感謝申し上げます! おっしゃる通り、当該idがJavascriptによって生成されることを理解できました。今後とも学習のヒントをいただければ幸いです。よろしくお願いいたします!
fukazume

2018/11/01 01:13

scrapy-splashで行うjs分の抽出についても、リンクしていただいたブログを興味深く拝読しました。近い将来にトライしてみたいと思います。私のレベルに合わせて補足情報をいただけるのでとても有益でした。ありがとうございます!
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