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

87.34%

PythonによるWebスクレイピングで一部しか取得ができない

受付中

回答 1

投稿 編集

  • 評価
  • クリップ 1
  • VIEW 1,259

score 102

とあるWebサイトからデータを取得しようとしているところです。
☆環境
・Windows7
・Anaconda/Jupyter Notebook
・Python3

☆要件
・PythonでRequestsモジュールとBS4モジュールで取得したデータのうち、リンク名とリンク先URLを取得しようとしています。
・取得した値は、zip関数でまとめて、for文で取り出したあとに、csvモジュールで、csvファイルの1列目と2列目に格納します。
・最終的には、csvファイルのデータは、[link_name, link_url]で表現できるようにしたいです。

☆課題
・現状、for文で取り出したデータは、30件ずつできあがる予定ですが、途中の2件のみ取得して、次の処理に進もうとしてしまいます。
・zip関数でまとめずに、それぞれでfor文を使うと30件ずつしっかりと取得できるので、zip関数の扱いがまちがっていると仮説しています。
・zip関数を使わずにそれぞれでfor文を使って、csvファイルのデータを[foo, bar]で表現できるなら、そのようにしたいです。
・正直、丸1日ほど悩んだのですが全く糸口が見つからない状況です。
・また、上記の方法ではなくとも、リンク名とリンク先URLを同じ行にセットで表現できる方法があるなら、ご教示いただきたいです。

よろしくお願いいたします。

import requests
from bs4 import BeautifulSoup
import time
import json
import csv
from urllib import parse


### bs4 config
BASE_URL = "https://www.example.com/?page="
HEADERS = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36"}

def get_page(base):
    for page_num in range(1, 100):
        res = base + str(page_num)
        yield res

with open("list_data.csv", "w", newline=""):
    pass


for url in get_page(BASE_URL):
    html_doc = requests.get(url, headers=HEADERS)
    if html_doc.status_code == 200:
        print("success")
        print(url)

        html = html_doc.text
        beautiful = BeautifulSoup(html)

        for x, a in zip(beautiful.find_all("span", "className"), beautiful.find_all("a")):

            parse_result = parse.urlparse(a.get("href")).path
            res = parse_result.replace("/", "").replace("foobar1", "")

            if "foo1" in res:
                res = res.replace("foo1", "")
            if "bar1" in res:
                res = res.replace("bar1", "")
            if "foo2" in res:
                res = res.replace("foo2", "")
            if "bar2" in res:
                res = res.replace("bar2", "")
            if "foobar2" in res:
                res = res.replace("foobar2", "")
            if "common_num" in res:
                pass
            else:
                continue

            print(x.text, res)

            with open("list_data.csv", "a", newline="") as f:
                writer = csv.writer(f)
                print(x.text, res)
                writer.writerow([x.text, res])

    else:
        print("failed")
        break
    time.sleep(5400)
  • 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

+1

また、上記の方法ではなくとも、リンク名とリンク先URLを同じ行にセットで表現できる方法があるなら、ご教示いただきたいです。

以下のようにaタグを取得してhref属性とtextを取得すればよいかと思います。

import requests
from bs4 import BeautifulSoup

res = requests.get('https://www.example.com/')
root = BeautifulSoup(res.text,'lxml')
for a in root.find_all('a'):
    print('href[{}], text[{}]'.format(a['href'], a.text))

# href[http://www.iana.org/domains/example], text[More information...]

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。

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 87.34%
  • 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

同じタグがついた質問を見る