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

89.52%

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

解決済

回答 1

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 1,210

fukazume

score 30

■経緯

  • 以前、https://teratail.com/questions/154179">類似質問をTeratail 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 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。

In [7]: response.xpath('//*[@id="anonCarousel2"]/ol/li[1]/div[1]/a/span/text()').extract()
Out[7]: []

In [8]: response.css('.a-size-small::text').extract()
Out[8]:
[u'Tarzan(\u30bf\u30fc\u30b6\u30f3) 2018\u5e7411\u67088\u65e5\u53f7 No.752',
 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

+1

 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

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。

  • 2018/11/01 10:00

    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!

    キャンセル

  • 2018/11/01 10:13

    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!

    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 89.52%
  • 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