python テーブル要素のスクレイピング

Question

https://snownet.jp/search/?prefarea=1
のゲレンデごとのコース数をスクレイピングしたいのですが、以下のようにしても上手くいきません。

import os, requests, bs4, openpyxl, re
url="https://snownet.jp/search/?prefarea=1"

res=requests.get(url)
res.raise_for_status()
soup=bs4.BeautifulSoup(res.content)

for tr in soup.select('table.type1 tbody tr'):
tds=tr.select('td')
print(tds[0].text)

.selectの後のセレクタ設定がおかしいような気もするのですが、原因がわからず。。
よろしくお願いいたします。　python3.6.5のWindows7です。

Answer 1

Chrome の開発者ツールでサイト構造を確認し、適切にCSSセレクタを書いてあげれば、抽出できます。

import requests
from bs4 import BeautifulSoup

url = 'https://snownet.jp/search/?prefarea=1'
res = requests.get(url)
res.raise_for_status()
soup = BeautifulSoup(res.content, 'lxml')

for section_tag in soup.select('section[class="skiDetail"]'):
    # スキー場名
    span_tag = section_tag.select_one('div[class="detailHead"] > span')
    site = span_tag.string

    # コース数
    td_tag = section_tag.select_one('table[class="type1"] tr:nth-of-type(3) td')
    num_courses = td_tag.string

    print(site, num_courses)

【北海道】エリア:旭川富良野道北 9コース
【北海道】エリア:旭川富良野道北 23コース
【北海道】エリア:ニセコ小樽札幌 18コース
【北海道】エリア:ニセコ小樽札幌 3コース
【北海道】エリア:ニセコ小樽札幌 22コース
【北海道】エリア:旭川富良野道北 2コース
【北海道】エリア:ニセコ小樽札幌 13コース
【北海道】エリア:ニセコ小樽札幌 15コース
【北海道】エリア:十勝道東 21コース
【北海道】エリア:函館周辺 8コース

追記

CSS セレクタではなく、find_all() を使った場合

import requests
from bs4 import BeautifulSoup

url = 'https://snownet.jp/search/?prefarea=1'
res = requests.get(url)
res.raise_for_status()
soup = BeautifulSoup(res.content, 'lxml')

for section_tag in soup.find_all('section', class_='skiDetail'):
    # スキー場名
    site = section_tag.find('div', class_='detailHead').span.string

    # コース数
    tr_tags = section_tag.find('table', class_='type1').find_all('tr')
    num_courses = tr_tags[2].td.string
    print(site, num_courses)

section タグ以下が以下の階層構造になっていることを把握した上で、CSS セレクタまたは find_all(), find() を使い、タグを選んでいけばいいです。
コース数は table タグの子要素の3つ目の tr タグの子の td タグに貼っています。

なので、CSS セレクタの場合、table[class="type1"] tr:nth-of-type(3) td:nth-of-type(1) となります。
また、find() で選ぶ場合は、section_tag.find('table', class_='type1').find_all('tr')[2].find('td') となります。

# 視認性のため、改行など空白の NavigableString は除いています。
section (Tag)
└── table (Tag)
    ├── tr (Tag)
    │   ├── th (Tag)
    │   │   └── 'アクセス' (NavigableString)
    │   └── td (Tag)
    │       ├── '[車] 函館市内から36km' (NavigableString)
    │       ├── br (Tag)
    │       └── '[その他] 函館本線・大沼公園駅より車で15分' (NavigableString)
    ├── tr (Tag)
    │   ├── th (Tag)
    │   │   └── '営業時間' (NavigableString)
    │   └── td (Tag)
    │       ├── '[平日] 09:00～17:00' (NavigableString)
    │       ├── br (Tag)
    │       ├── '[日祝] 09:00～17:00' (NavigableString)
    │       ├── br (Tag)
    │       ├── '[ナイター] 17:00～22:00' (NavigableString)
    │       ├── br (Tag)
    │       └── '営業時間 9:00〜17:00\u3000[ナイター] 17:00〜22:00※12/20〜3/8金・土・日・祝前日のみ' (NavigableString)
    └── tr (Tag)
        ├── th (Tag)
        │   └── 'コース数' (NavigableString)
        └── td (Tag)
            └── '8コース' (NavigableString)

Comments

[kmbaht]

ありがとうございます。
テーブル内にtr要素が複数あるために最初のやり方ではエラーになっていたと理解すれば良いでしょうか？

[tiitoi]

そうですね。
select() の返り値は必ずリストになってます。
なので、tr[2].select('td') のようにする必要があります。
もし1個しかなくても tr[0].select('td') にしないといけません。

[kmbaht]

ありがとうございます。よくわかりました。

[kmbaht]

すみません、もう一点教えてください。　
'table[class="type1"] tr:nth-of-type(3) td:nth-of-type(1)'を.selectで実行することでページ内のすべての「classがtype1のテーブル要素の3番めのtrの1番めのtd」を抽出できると思ったのですが、これは間違いでしょうか（自分で試したところうまくいきませんでした）
すなわち、上記を実行するとあくまでもそのページの「classがtype1のテーブル要素の3番めのtrの1番めのtd」を1個抽出するのみであり、期待しているような「該当するすべてのtdを拾ってくる」動作はできないという理解で良いでしょうか。

頂いた回答でも「classが"skiDetail"であるsectionを選ぶことで個々のスキー場の問題にまず限定し、各々のスキー場のコース名とコース数を抽出する動作をfor文を使って全スキー場で実行する」、という形式になっていると思いますので、上記のようなセレクタに起因する問題（機能上の限界）を意識されているのかな、と思いましたがいかがでしょうか。

[tiitoi]

> すなわち、上記を実行するとあくまでもそのページの「classがtype1のテーブル要素の3番めのtrの1番めのtd」を1個抽出するのみであり、期待しているような「該当するすべてのtdを拾ってくる」動作はできないという理解で良いでしょうか。

そのような認識であっています。
3番目の tr タグに限定しないのであれば、`section_tag.select('table[class="type1"] tr td')` とすれば、3つある各 tr タグの1個目の td タグが取得できます。

階層構造と find_all() を使うやり方について追記しました。

[barobaro]

一番最初のデータ取得の場合はselect_oneで取得できます。findとfind_allと同じです。
select(self, selector, _candidate_generator=None, limit=None)
select_one(self, selector)
select_oneはselectのlimit=1にした時と同じになります。

[tiitoi]

select_one() という関数があったのですね。
これを使うとより簡潔に書けました。
barobaro さん、教えていただきありがとうございます。

[barobaro]

こちらこそtiitoiさんのコードで勉強させてもらっています。

[kmbaht]

ご両名ともありがとうございます。