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

88.77%

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)

解決済

回答 1

投稿

  • 評価
  • クリップ 0
  • VIEW 444

A.Kobayashi

score 13

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

from selenium import webdriver

driver = webdriver.Chrome(r'C:\Program Files (x86)\Google\Chrome\chromedriver.exe')
URL = "https://www2.tse.or.jp/tseHpFront/CGK010020Action.do"
driver.get(URL)

data = []
def check():
    "要素全体(こっちは取得できる)"
    a1 = driver.find_element_by_xpath('/html/body/div/div/div[6]/div[2]/span').text
    print(a1)
    "取得したい要素(取得できない)"
    a2 = driver.find_element_by_xpath('/html/body/div/div/div[6]/div[2]/span/text()[100]').text
    print(a2)

'''証券コード入力'''
driver.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")
driver.find_element_by_css_selector('#bodycontents > div.pagecontents > form > p.fontsizeM.center > input:nth-child(1)').click()

driver.find_element_by_css_selector('#bodycontents > div > form > table > tbody > tr:nth-child(4) > td:nth-child(9) > a:nth-child(3)').click()
new_window = driver.window_handles[1]
driver.switch_to.window(new_window)

'''要素取得'''
check()
driver.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

  • t_obara

    2019/09/09 17:07

    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。

    キャンセル

回答 1

checkベストアンサー

0

【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

  • 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。

  • 2019/09/10 15:07 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

    キャンセル

  • 2019/09/10 17:50

    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。

    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 88.77%
  • 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