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!

新規登録して質問してみよう
ただいま回答率
85.50%
スクレイピング

スクレイピングとは、公開されているWebサイトからページ内の情報を抽出する技術です。

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

selenium

Selenium(セレニウム)は、ブラウザをプログラムで作動させるフレームワークです。この原理を使うことにより、ブラウザのユーザーテストなどを自動化にすることができます。

Q&A

解決済

1回答

3064閲覧

Pythonを用いたスクレイピング(<br>で囲まれた要素の取得について)

A.Kobayashi

総合スコア13

スクレイピング

スクレイピングとは、公開されているWebサイトからページ内の情報を抽出する技術です。

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

selenium

Selenium(セレニウム)は、ブラウザをプログラムで作動させるフレームワークです。この原理を使うことにより、ブラウザのユーザーテストなどを自動化にすることができます。

0グッド

0クリップ

投稿2019/09/09 02:22

前提・実現したいこと

Pythonでselemniumを用いたガバナンス報告書からの情報の自動取得を考えているのですが
<br>で囲まれたテキスト要素の取得ができず困っています。

発生している問題・エラーメッセージ

コード例では7203トヨタ自動車のガバナンス報告書の上部、【コーポレートガバナンス・コードの各原則に基づく開示】の
6 株主との対話 【原則5-1】の部分を取得したいと考えているのですが、
【コーポレートガバナンス・コードの各原則に基づく開示】の全体は取得できる一方で、<br>ではさまれている6 株主との対話 【原則5-1】の要素をx_pathで取得しようとしても、
selenium.common.exceptions.InvalidSelectorException: Message: invalid selector: The result of the xpath expression "/html/body/div/div/div[6]/div[2]/span/text()[100]" is: [object Text]. It should be an element.
といったエラーが出てしまいます。
このような<br>ではさまれている要素についてスクレイピングする方法があればご教示いただけますと幸いです。

該当のソースコード

Python

1from selenium import webdriver 2 3driver = webdriver.Chrome(r'C:\Program Files (x86)\Google\Chrome\chromedriver.exe') 4URL = "https://www2.tse.or.jp/tseHpFront/CGK010020Action.do" 5driver.get(URL) 6 7data = [] 8def check(): 9 "要素全体(こっちは取得できる)" 10 a1 = driver.find_element_by_xpath('/html/body/div/div/div[6]/div[2]/span').text 11 print(a1) 12 "取得したい要素(取得できない)" 13 a2 = driver.find_element_by_xpath('/html/body/div/div/div[6]/div[2]/span/text()[100]').text 14 print(a2) 15 16'''証券コード入力''' 17driver.find_element_by_css_selector("#bodycontents > div.pagecontents > form > div.boxOptListed03.fontsizeS > table:nth-child(2) > tbody > tr:nth-child(2) > td > input[type=text]").send_keys("7203") 18driver.find_element_by_css_selector('#bodycontents > div.pagecontents > form > p.fontsizeM.center > input:nth-child(1)').click() 19 20driver.find_element_by_css_selector('#bodycontents > div > form > table > tbody > tr:nth-child(4) > td:nth-child(9) > a:nth-child(3)').click() 21new_window = driver.window_handles[1] 22driver.switch_to.window(new_window) 23 24'''要素取得''' 25check() 26driver.close()

補足情報(FW/ツールのバージョンなど)

Python3, selenium 3.6.0, Chromeバージョン: 76

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MY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。

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。

t_obara

2019/09/09 08:07

xxx/span/text() や、xxx/span/text()[1] などは想定通りの値が取得できているのですか?  また、 xxx/span/text()[contains(string(), '原則5-1')] などはどうでしょう。
guest

回答1

0

ベストアンサー

【コーポレートガバナンス・コードの各原則に基づく開示】自体が1つのエレメントになっていて、
その配下にはエレメントが用意されていないようですね。
こうなるとSeleniumでは打つ手がないので、
丸ごと全体を持ってきた後で、文字列操作をしてやるしかないと思います。

投稿2019/09/10 03:07

shirai

総合スコア1289

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。

A.Kobayashi

2019/09/10 06:12 編集

ご回答ありがとうございます。 やはり要素ごとの取得はできないのですね。 一応私のほうでも考えて、<br>で囲まれている場合が改行二つ入るので findで文字列取得して見た後に、'\n\n'で終わり部分を指定する形式で、 一部例外はあるもののある程度は上手くいきそうなのでそちらで模索してみたいと思います。 ありがとうございました。 以下改良して見たコード ~~~~~~~~ def check(): "要素全体を取得" global a1 a1 = driver.find_element_by_xpath('/html/body/div/div/div[5]/div[2]/span').text "取りたい要素の冒頭を指定" b1 = a1.find('【原則5-1】') "取りたい要素がないとき無理やりエラー起こす(もっといいやり方ありそう)" if b1 == -1: b1 = "文字列エラー" "取りたい要素の後半部分を’\n\n'で指定" try: a2 = a1[b1:-1] b2 = a2.find('\n\n') "取りたい要素の後半部分が段落分けされずに終わる場合(b2=-1)は例外処理" if b2==-1: a3 = a1[b1:-1] else: a3 = a1[b1:b1 + b2] return a3 except TypeError: print("取得できず") a3 = "取得できず" return a3
shirai

2019/09/10 08:50

goodですね。 osの違いによって改行は\nだったり\rだったり\r\nだったりするので、 マルチプラットフォーム対応をする予定であれば留意してください。
guest

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

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
85.50%

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る

質問する

関連した質問