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

88.80%

BeautifulSoupで入れ子タグの分割取得

解決済

回答 1

投稿

  • 評価
  • クリップ 0
  • VIEW 777

kaneuchi

score 11

前提・実現したいこと

PythonでWebスクレイピングによる情報収集するプログラムを作成しています。
途中で情報がうまく収集できないため、HTMLのソースを見たところ、情報に
よってHTMLが変化していました。

取得したいサイト情報の変化点

<li class="item">
  <a href="/detail/?id=1">
    <div class="image">
      <img src="/images/1.jpg" alt="1">
    </div>
    <p class="desc"><span class="set">SET</span>アイテム1</p>  <--ココ
  </a>
  <div class="info">
    <div class="no"><span class="bold">1</span></div>
  </div>
  <a href="id=A">
    <p class="name">A</p>
  </a>
</li>

<li class="item">
  <a href="/detail/?id=2">
    <div class="image">
      <img src="/images/2.jpg" alt="2">
    </div>
    <p class="desc">アイテム2</p>  <--ココ
  </a>
  <div class="info">
    <div class="no"><span class="bold">2</span></div>
  </div>
  <a href="id=B">
    <p class="name">B</p>
  </a>
</li>

class="desc" のテキストを .string を使い取り出そうとしていますが、内容により<span class="set">が入りうまくテキストを抽出することができません。

取り出したいイメージは次の通りです。

1つ目の desc : [SET]アイテム1
2つ目の desc : アイテム2

試したこと

以前、PerlによるWebスクレイピングをしていたので、1行ずつ処理していくイメージがあり、Pythonのコード書きましたが、結果は得られませんでした。

該当のソースコード

for i in bs.select('item'):
  if i.find(class_="desc"):
    if i.find(class_="set"):
      title = SET + i.find(class_="desc").string
    else
      title = i.find(class_="desc").striing

どの様にコーディングをすれば、目的のイメージの様な出力結果が得られますでしょうか。
よろしくお願い致します。

補足情報(FW/ツールのバージョンなど)

利用環境:
OSX 10.13.6
python 3.7.0
beautifulsoup4 4.7.1

  • 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

0

こんにちは。

以下、回答となるプログラムを実行してみたところです。

$ date
2019年 4月29日 月曜日 23時40分32秒 JST
$ python -V
Python 3.7.3
$ pip list | grep beautifulsoup4
beautifulsoup4 4.7.1  
$ cat test.py 

from bs4 import BeautifulSoup

html = open('input.html', 'r').read()

soup = BeautifulSoup(html, 'lxml')

for p in soup.select('p.desc'):
    span = p.find('span')
    if span:
        print("[%s]%s" % (span.text, span.next_sibling))
    else:
        print(p.text)

$ cat input.html 

<!DOCTYPE html>
<html>
<head>
    <meta charset="UTF-8">
</head>
<body>
  <ul>
    <li class="item">
      <a href="/detail/?id=1">
        <div class="image">
          <img src="/images/1.jpg" alt="1">
        </div>
        <p class="desc"><span class="set">SET</span>アイテム1</p>
      </a>
      <div class="info">
        <div class="no"><span class="bold">1</span></div>
      </div>
      <a href="id=A">
        <p class="name">A</p>
      </a>
    </li>
    <li class="item">
      <a href="/detail/?id=2">
        <div class="image">
          <img src="/images/2.jpg" alt="2">
        </div>
        <p class="desc">アイテム2</p>
      </a>
      <div class="info">
        <div class="no"><span class="bold">2</span></div>
      </div>
      <a href="id=B">
        <p class="name">B</p>
      </a>
    </li>
  </ul>
</body>
</html>

$ python test.py 
[SET]アイテム1
アイテム2
$

参考になれば幸いです。

追記

コメントから頂きました、以下

最終的には class=item のブロック毎に class="bold",class="name" を抜き出したいのですが、頂いたコードをマージしたら、desc の内容(50件)が毎回が出力されてしまいました。item単位で出力する方法はありますでしょうか?

を満たすコードを検討しました。質問者様の要件を過不足無く満たしているかは確信を持てませんが、以下ではどうでしょうか?

from bs4 import BeautifulSoup

html = open('input.html', 'r').read()

soup = BeautifulSoup(html, 'lxml')

for i, item in enumerate(soup.select('.item')):

    print("-- %d 番目の item: --" % (i+1))

    for clazz in ['desc', 'bold', 'name']:
        elm = item.select_one('.' + clazz)
        set_span = elm.select_one('.set')

        if set_span:
            print("%s: [%s]%s" % (clazz, set_span.text, set_span.next_sibling))
        else:
            print("%s: %s" % (clazz, elm.text))

input.html は先の回答に挙げたもののままで、上記を実行すると、以下のように出力されます。

$ python test.py 
-- 1 番目の item: --
desc: [SET]アイテム1
bold: 1
name: A
-- 2 番目の item: --
desc: アイテム2
bold: 2
name: B

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。

  • 2019/04/30 00:46

    早速のご回答ありがとうございます。
    頂いたコードで desc の内容取得はできました。私の質問が悪かったのですが、最終的には class=item の
    ブロック毎に class="bold",class="name" を抜き出したいのですが、頂いたコードをマージしたら、desc の内容(50件)が毎回が出力されてしまいました。item単位で出力する方法はありますでしょうか?

    キャンセル

  • 2019/04/30 12:30

    > item単位で出力する方法
    について、回答のほうに追記しましたので、ご確認ください。

    キャンセル

  • 2019/04/30 18:46

    ありがとうございました。希望する出力内容が得られました。
    頂いたコードをアレンジして色々と試してみます。

    キャンセル

  • 2019/04/30 19:21

    どういたしまして。

    > 希望する出力内容が得られました。

    とのことでよかったです 👏

    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 88.80%
  • 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