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。
Python
1import requests 2from bs4 import BeautifulSoup 3import time 4import json 5import csv 6from urllib import parse 7 8 9### bs4 config 10BASE_URL = "https://www.example.com/?page=" 11HEADERS = {"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"} 12 13def get_page(base): 14 for page_num in range(1, 100): 15 res = base + str(page_num) 16 yield res 17 18with open("list_data.csv", "w", newline=""): 19 pass 20 21 22for url in get_page(BASE_URL): 23 html_doc = requests.get(url, headers=HEADERS) 24 if html_doc.status_code == 200: 25 print("success") 26 print(url) 27 28 html = html_doc.text 29 beautiful = BeautifulSoup(html) 30 31 for x, a in zip(beautiful.find_all("span", "className"), beautiful.find_all("a")): 32 33 parse_result = parse.urlparse(a.get("href")).path 34 res = parse_result.replace("/", "").replace("foobar1", "") 35 36 if "foo1" in res: 37 res = res.replace("foo1", "") 38 if "bar1" in res: 39 res = res.replace("bar1", "") 40 if "foo2" in res: 41 res = res.replace("foo2", "") 42 if "bar2" in res: 43 res = res.replace("bar2", "") 44 if "foobar2" in res: 45 res = res.replace("foobar2", "") 46 if "common_num" in res: 47 pass 48 else: 49 continue 50 51 print(x.text, res) 52 53 with open("list_data.csv", "a", newline="") as f: 54 writer = csv.writer(f) 55 print(x.text, res) 56 writer.writerow([x.text, res]) 57 58 else: 59 print("failed") 60 break 61 time.sleep(5400)
バッドをするには、ログインかつ
こちらの条件を満たす必要があります。