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

88.59%

Python, Scrapy shellでiframe内のHTML要素を抽出したい

解決済

回答 2

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 958

fukazume

score 75

■経緯

1) こちらのページで、Chromeデベロッパーツールの右クリックでiframe内HTML要素<td class="XXXXX">A1</td>のXPathを取得できませんでした
2) scrapy-splashを用いて、にScrapy shellで1)のページにアクセス
3) javascriptで描画されたiframe内の要素のsrcまでは、以下のコマンドで抽出できました

In [16]: response.xpath('//iframe/@src').extract()
Out[16]: [u'https://s.codepen.io/boomerang/iFrameKey-8f533f14-0308-57a0-4158-e044171e599d/index.html']

■質問

iframe内で描画されているHTML要素<td class="XXXXX">A1</td>をScrapy shellのresponse.xpathで抽出できるXPathを教えていただきたいです。

<!-- iframe内 -->
<tbody>
        <tr>
            <td class="XXXXX">A1</td>
            <td>B1</td>
  • 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。

質問への追記・修正、ベストアンサー選択の依頼

  • tiitoi

    2018/11/06 14:43 編集

    iframe は別の HTML が埋め込まれているだけなので、その HTML 自体が最初から存在していればとれますが、動的に生成したものであれば無理です。上記の例は静的な場合の話になります。
    やはり、ブラウザでアクセスしたときと同一のHTMLにアクセスしたいのであれば、selenium を使ったほうがよいのではないでしょうか?

    キャンセル

  • fukazume

    2018/11/06 15:14 編集

    tiitoiさん、私は非エンジニアでScrapyに出会ったばかりでSeleniumについては学習が追いついていません泣 しかしながら違うアプローチのアドバイスは大変ありがたいです。

    お手数ですが上記のコメを回答欄にコピペ(=移動)いただけますでしょうかm(_ _)m

    teratailコミュニティにもきっと有益なはずですので

    キャンセル

  • tiitoi

    2018/11/06 16:11

    コピペしました。

    キャンセル

回答 2

checkベストアンサー

+1

コピペしました。

iframe は別の HTML が埋め込まれているだけなので、その HTML 自体が最初から存在していればとれますが、動的に生成したものであれば無理です。上記の例は静的な場合の話になります。 やはり、ブラウザでアクセスしたときと同一のHTMLにアクセスしたいのであれば、selenium を使ったほうがよいのではないでしょうか?

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。

  • 2018/11/07 00:12

    Seleniumでも引き続き難しそうですが、ヒントいただきました。ありがとうございました!

    キャンセル

+1

スクレイピングとは「HTMLを取得して」「HTMLを解析して」「欲しいデータを抽出する」という流れですので、「HTMLを取得して」から再度やる必要がありますよね。

 追記

おそらく index.html を取得するより前に

  • セッションを作成
  • 入力されたHTML, JS, CSS をロード
  • POSTリクエストをXHRで発行しサーバへ情報を送信
  • サーバ側でHTMLを作成
  • iframeを更新し生成されたページをロード

などのような手順になっているはずなので、いくつかの手順を擬似的に実施する必要があると思いますが、
実際どういう手順でやればいいのかはCodePenのサービスによるものなので僕にはわかりません。
JavaScriptコードを解析するしかなさそうです。

 もう一つ追記

https://codepen.io/anon/pen/oQgVoJ
にアクセスしたときのレスポンスにHTMLエスケープされたHTMLコードがちゃんと送られてきていますね。
こっちを解析したほうが手っ取り早そうです。

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。

  • 2018/11/06 15:09

    >そのsrcをたどってHTMLを取得しても何も表示されないんですか?
    >情報を得ていない側からすると
    >tbodyタグは一体どうやって見つけてるんですか?


    これら全て、質問文の文脈ではじめから説明されていますが。現にtiitoiさんにはその旨が通じていることが何よりの証左ですよね。またご回答以前に質問文と同等操作をされていないようですね、非常に残念です。なおtbodyは一瞬で見つかります。

    また質問文に対応するように「実際どういう手順でやればいいのかはCodePenのサービスによるものなので僕にはわかりません。」というコメで回答欄を更新していただけますか?

    キャンセル

  • 2018/11/06 15:53

    更新しました。

    キャンセル

  • 2018/11/07 00:11

    ありがとうございます。ご回答追記の「HTMLエスケープされたHTMLコードがちゃんと送られてきていますね。こっちを解析したほうが手っ取り早そうです。」は、私も当初、その場しのぎ的には同じ印象を持ちました。

    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 88.59%
  • 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