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

88.82%

<table><tr>が終了タグしかなくうまくスクレイピングできない

解決済

回答 1

投稿 編集

  • 評価
  • クリップ 1
  • VIEW 529

pythonista

score 20

前提・実現したいこと

スクレイピングによってweb上のテーブルタグから情報を抜き出し、CSVファイルを得たい。

発生している問題・エラーメッセージ

スクレイピングしたいページ
https://traininfo.jreast.co.jp/delay_certificate/history.aspx?R=06

ここから<table>で書かれた遅延情報を抜き出したいが、ヘッダーの次の日付までは<tr> </tr>で行が形成されているが、次の行から、終了タグ</tr>だけで区切られており、Beautifulsoup4のfind_all('tr')でタグを回収できない。
この場合、この形式のテーブルからどうCSVファイルを抜き出すのかがわからない。

該当のソースコード

ソースコード


from urllib.request import urlopen
from bs4 import BeautifulSoup
import csv

html = urlopen("https://traininfo.jreast.co.jp/delay_certificate/history.aspx?R=06")
bsobj = BeautifulSoup(html, "lxml")

table = bsobj.find_all("table")
rows = table[0].find_all("tr")
↑ここからどうCSVにすればいいかが不明

  • 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

  • 退会済みユーザー

    2019/05/04 07:46

    複数のユーザーから「やってほしいことだけを記載した丸投げの質問」という意見がありました
    「質問を編集する」ボタンから編集を行い、調査したこと・試したことを記入していただくと、回答が得られやすくなります。

  • mistn

    2019/05/04 10:27

    以前にも似たような問題で質問していますね。今回も同じ原因なのではないでしょうか。
    Beautifulsoup4のパーサについて少し調べてみて、色々試してみて下さい。それでもだめだったときは試したコードと結果を追記してください。

    キャンセル

  • pythonista

    2019/05/07 21:46

    >mistnさん
    申し訳ございません、不勉強でした。破損したタグの取り扱い、パーサーについての知識を今一度勉強しなおします。

    キャンセル

回答 1

checkベストアンサー

0

Beautifulsoupはそんなにタグの破損に強くないので、限界はあると思います。

タグが破損している場合の処理については、ブラウザ側の対応が神すぎて上手く表示処理されてしまっており、サイト運営者が気づかないまま公開されて続けています。コード品質が低い原因の一つだと思っています。

それはさておき、最近はHTMLパーサの動作について共通の規格が策定されつつあり、近代的なパーサであればブラウザと同等の処理ができるように進化しています。

残念ながらBeautifulsoupは古いツールでそのへんは加味していない。。ということなのだと思います。

javascriptだと https://github.com/fb55/htmlparser2 などは有名なのかな?
最近だとpythonよりもNode系、javascriptのライブラリのほうが高機能になっていると思います。

最近のpythonのライブラリはよく知りませんが、新しいものを探してみると良いかもしれません。

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。

  • 2019/05/07 21:42

    大変参考になりました。破損したタグを扱いにくいという点は、目からうろこでした。現在は、破損したHTMLを文字列としてタグを修復し、BeautifulSoup4でパースして扱うパターンに挑戦しています。これが完了したら、otolabさんのおっしゃる新しいライブラリを探してみようと思います。本当に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 88.82%
  • 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