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

89.65%

GASでスクレイピングしているのですが、特定のサイトの特定の情報の抜き出しに苦戦しています。

解決済

回答 1

投稿

  • 評価
  • クリップ 0
  • VIEW 499

ryu01212008

score 24

GASを使ってスクレイピングを実行したいです

以下のサイトの情報を抽出したいと考えています。
https://mnrate.com/item/aid/B076KF452D

このサイトから抽出したい情報を下記に示します。
また、現段階で抽出できている情報とできていない情報を明記します。
〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜
○【抽出可能】画像のURL
×【抽出不可能】画像の横の『ホーム&キッチン』のテキスト
×【抽出不可能】画像の横の『参考価格』のテキストの横の『918』の数字
×【抽出不可能】画像の横の『JAN:』のテキストの横の『4973307393778』の数字
○【抽出可能】画像の下のdl要素の中の新品の行の最安値の『1415』の数字
×【抽出不可能】画像の下のdl要素の中の新品の行のコスト計算の『845』の数字
○【抽出可能】画像の下のdl要素の中のカート価格の行の最安値の『1480』の数字
×【抽出不可能】画像の下のdl要素の中のカート価格の行のコスト計算の『845』の数字
○【抽出可能】画像の下のdl要素の中の新品の行の出品者数の『6』の数字
×【抽出不可能】画像の下のdl要素の中の新品の行の12ヵ月の販売数の『30個』のテキスト
〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜
※上記の数字は3/18の投稿時の数字なので変化する可能性がありますのでご了承ください。

不足情報がありましたら追加で記載しますので教えてください。
よろしくお願いいたします。

抽出できている情報の特徴

head要素の中にある
<script src="/js/lib/nProgress.js"></script>
の下にあるスクリプトの中に書き出されている情報は抽出できています。

抽出できていない情報の特徴

htmlのテキストとして書き出されている情報を抽出することができません。

ソースコード

function searchSheet (targets, startText, endText, searchStartText, searchLength, searchRepeat) {
    // 検索開始文字列があった場合のみ
    if (searchStartText) {
        var index = targets.indexOf(searchStartText)
        for (var c = 0; searchRepeat && c < searchRepeat; c++) {
            index = targets.indexOf(searchStartText, index + 1)
        }

        if (index === -1) {
            Logger.log("searchStartText not found")
            return null
        }

        // 指定文字数取得して検索対象を更新
        targets = targets.substring(index + searchStartText.length,
            searchLength ? index + searchStartText.length + searchLength : target.length)
    }

    var startIndex = startText !== null ? targets.indexOf(startText) + startText.length : 0
    var endIndex = endText !== null ? targets.indexOf(endText, startIndex) : targets.length

    if ((startText === null || startIndex !== (startText.length - 1)) && endIndex !== -1) {
        return target.substring(startIndex, endIndex)
    } else {
        return null
    }
}

var SEARCH_COL_INDEX = 1
var SEARCH_START_LOW = 2
var SEARCH_LOW_COUNT = 100

function search1 () {
    var book = SpreadsheetApp.getActiveSpreadsheet()
    var sheetData = book.getSheetByName('○○サーチ')
    var currentRowIndex = 2

    // keyを元にURLを生成して、それぞれのページから情報を拾ってきます。
    var headers = [['key', '項目1', '項目2', '項目3']]
    sheetData.getRange(1, 1, 1, headers[0].length).setValues(headers)

    // シートに挿入する値
    var values = []

    // 1次元配列として取得 (A2 ~ A(SEARCH_LOWS))
    var keys = Array.prototype.concat.apply([],
        sheetData.getRange(SEARCH_START_LOW, SEARCH_COL_INDEX, SEARCH_LOW_COUNT, SEARCH_COL_INDEX).getValues())
    for (var ki = 0; ki < keys.length; ki++) {
        var key = keys[ki]
        if (!key) {
            break
        }
        values[ki] = []

        // getHtmlは問題なく動いているため記載を省きます。必要であれば掲載いたします。
        var rootHtml = getHtml('https://mnrate.com/item/aid/' + key)

        // 項目1 ← 抽出できているパターン
        var hogeHoge = searchSheet(rootHtml, 'value="','"', 'id="history_data_image_path"',5000)
        values[ki].push(hogeHoge || '該当データ無し')  

        // 項目2 ← 抽出できていないパターン(htmlに書き出されている情報が拾えていません)
        var hugaHuga = searchSheet(rootHtml, '"data_category">','</', 5000)
        values[ki].push(hugaHuga || '該当データ無し')        

        // 項目3 ← 抽出できているパターン
        var salesRank = searchBy(rootHtml, '"sales_rank":{"point_number":1,"sum":', ',"', ',"30":{"sales_rank":', 5000)
        values[ki].push(salesRank || '該当データ無し')

        // 2秒~5秒スリープ
        if (ki !== (keys.length - 1)) {
            Utilities.sleep(2000 + Math.floor(Math.random() * (2999)) + 1)
        }
        currentRowIndex++
    }

    // 一括でインサート
    if (values && values[0]) {
        sheetData.getRange(SEARCH_START_LOW, SEARCH_COL_INDEX + 1, values.length, values[0].length).setValues(values)
    }
}
  • 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

+2

URLFETCHAPPで取得したものをファイルに書いて確認したところ

○【抽出可能】画像のURL
×【抽出不可能】画像の横の『ホーム&キッチン』のテキスト
×【抽出不可能】画像の横の『参考価格』のテキストの横の『918』の数字
×【抽出不可能】画像の横の『JAN:』のテキストの横の『4973307393778』の数字
○【抽出可能】画像の下のdl要素の中の新品の行の最安値の『1415』の数字
×【抽出不可能】画像の下のdl要素の中の新品の行のコスト計算の『845』の数字
○【抽出可能】画像の下のdl要素の中のカート価格の行の最安値の『1480』の数字
×【抽出不可能】画像の下のdl要素の中のカート価格の行のコスト計算の『845』の数字
○【抽出可能】画像の下のdl要素の中の新品の行の出品者数の『6』の数字
×【抽出不可能】画像の下のdl要素の中の新品の行の12ヵ月の販売数の『30個』のテキスト

のうち

×【抽出不可能】画像の横の『ホーム&キッチン』のテキスト
×【抽出不可能】画像の横の『参考価格』のテキストの横の『918』の数字
×【抽出不可能】画像の横の『JAN:』のテキストの横の『4973307393778』の数字

のところはデータにありました。

function q180017() {
  var values = [];
  const url = "https://mnrate.com/item/aid/B076KF452D";
  // 項目1 ← 抽出できているパターン
  const rootHtml = UrlFetchApp.fetch(url).getContentText();
  //SpreadsheetApp.getActiveSheet().getRange(12,1).setValue(rootHtml);
  var hogeHoge = searchSheet(rootHtml, 'value="','"', 'id="history_data_image_path"',5000)
  values.push(hogeHoge || '該当データ無し');

  // 項目2 ← 抽出できていないパターン(htmlに書き出されている情報が拾えていません)
  var hugaHuga = searchSheet(rootHtml, '"data_category">','</', 5000)
  values.push(hugaHuga || '該当データ無し')        
  var sankoukakaku = searchSheet(rootHtml, 'class="_reference_price_color">', '</span>', 5000);
  values.push(sankoukakaku.trim() || '該当データ無し')
  var jan = searchSheet(rootHtml, 'JAN</span>: <span   class="clip_bd" data-clipboard-text="', '">', 5000);
  values.push(jan || '該当データ無し')

  Logger.log(values);
  // 項目3 ← 抽出できているパターン
//  var salesRank = searchBy(rootHtml, '"sales_rank":{"point_number":1,"sum":', ',"', ',"30":{"sales_rank":', 5000)
//  values.push(salesRank || '該当データ無し')
//  Logger.log(values);
}


このようにして抽出可能でした。

一方845,30個のあたりは、HTMLを見てもなさげだったので、後から(動的に、ajaxとかで)取っている可能性もあると思います。
その場合、urlfetchでは取れないので、あきらめるしかないです。

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。

  • 2019/03/19 00:12

    papinianusさん
    いつも回答ありがとうございます。
    まず、845,30個のところは諦めることにします。
    項目2のところの引数の書き方をどのようにすれば良いか悩んでいます。
    項目1に関してはスクリプト上にあったものを指定できたのですが、項目2の場合、
    htmlの要素を指定してもエラーになってしまうので、どのようにするのが良いでしょうか?

    キャンセル

  • 2019/03/25 12:20

    引数の書き方ではなかったです(前回もここ読み違えた気がしてきました)。
    取れるコードを書いたのでご参考まで。

    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 89.65%
  • 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
  • トップ
  • Googleに関する質問
  • GASでスクレイピングしているのですが、特定のサイトの特定の情報の抜き出しに苦戦しています。