seleniumで新聞のpagenationのある記事をスクレイピングしたい

Question

Seleniumを使用して新聞記事のpagenationのある箇所をクリックして
続きを取得したいと考えています。

例えば、この新聞の社説の場合、
https://www.yomiuri.co.jp/editorial/

"さらに読み込む"という箇所があり、そこを何度もクリックして記事を閲覧するのですが
これをseleniumで実行してスクレイピングしたいと考えています。
下記のようなコードを考えていましたが、クリック出来ません。

from selenium import webdriver
from selenium.webdriver.chrome.options import Options
import time
import chromedriver_binary

from bs4 import BeautifulSoup
import re 
import urllib.request
import urllib3
urllib3.disable_warnings()
import requests

chrome_options = Options()
chrome_options.add_argument("--headless")
driver = webdriver.Chrome(
    executable_path='drivers/chromedriver', 
    options=chrome_options)
driver.get('https://www.yomiuri.co.jp/editorial/')

while True:
    try:
        driver.find_element_by_class_name('c-more-btn').find_element_by_link_text("さらに読み込む").click() 
        time.sleep(3)
        soup = BeautifulSoup(requests.get(driver.current_url).content,'html.parser')
        
        for a in soup.find_all(class_="uni-news-editorial-jp"):
            for b in a.find_all("a"):
                #見出しとリンク
                print(b.text, b.get("href"))
    except:
        driver.close()

driver.close()

質問
・続きを読む、のクリックの仕方をご教授いただきたいです。
・このウェブサイトはクリックしてもURLが変化しません。その場合でも、forループで次々にクリックして
新たに出現した見出しとリンクをスクレイピングすることは可能なのでしょうか。

Answer 1

こんな感じでいかがでしょうか。

from selenium.common.exceptions import NoSuchElementException

while True:

    try:
        # さらに読み込むをクリック
        driver.find_element_by_id('ajax_more_button').click()

        # もしくは以下でもクリックできますが、except処理をJSのエラーに変える必要があります
        # driver.execute_script('document.getElementById(\'ajax_more_button\').click()')

    except NoSuchElementException:
        # さらに読み込むボタンがない、つまりすべてのページを読み切った

        # ここでBS4処理を行う

        # 終了処理
        driver.quit()
        exit()

    time.sleep(3)

    # 画面サイズを最大まで拡大
    driver.execute_script('scrollTo(1282, document.body.scrollHeight)')

---

ちなみにこちらはページを最下部までスクロールさせると
自動で次のDOMが読み込まれるタイプの時の解です。
ご参考までに

コメント受けて追記

ではこんな感じでいかがでしょうか。

driver.get('https://www.yomiuri.co.jp/editorial/')

# POPが出そうな時間まで待つ
time.sleep(10)

# 左下のPOPが出ていたら取り除く
try:
    driver.execute_script('document.getElementById(\'yolyp_popup\').remove()')
except Exception:
    pass

# 画面下のPOPが出ていたら取り除く
try:
    driver.execute_script('document.getElementById(\'js-footer-global-guide\').remove()')
except Exception:
    pass

for _ in range(5):

    # 画面サイズを最大まで拡大
    driver.execute_script('scrollTo(1282, document.body.scrollHeight)')

    # さらに読み込むをクリック
    driver.execute_script('document.getElementById(\'ajax_more_button\').click()')

    # 3秒待機
    time.sleep(3)

for li_tag in driver.find_elements_by_class_name('p-list-item'):
    a_tag = li_tag.find_element_by_tag_name('a')
    print(a_tag.text, a_tag.get_attribute('href'))

# 終了処理
driver.quit()
exit()

5回読み込んだら終了、かつ、DOMをbsではなく直接Seleniumで取得してみました。

さらに追記

まさにその通りですね。その配下にaタグは存在しないのでNoSuchElementExceptionが起きてます。
for文だけ変えてみましょう。

from selenium.common.exceptions import NoSuchElementException

for li_tag in driver.find_elements_by_class_name('p-list-item'):
    try:
        a_tag = li_tag.find_element_by_tag_name('a')
        print(a_tag.text, a_tag.get_attribute('href'))
    except NoSuchElementException:
        pass

Comments

[Joes]

回答ありがとうございます。教えていただいた方法を試しましたが下記のようなエラーになってしまい
原因がよく分かりません。ウィンドウサイズが原因かと考えていますが解決方法が分かりませんでした。

WebDriverException: Message: unknown error: Element <a href="javascript:void(0)" id="ajax_more_button">...</a> is not clickable at point (372, 19). Other element would receive the click: <ul class="p-header-global-category-nav__list">...</ul>
(Session info: headless chrome=76.0.3809.132)
(Driver info: chromedriver=2.38.552518 (183d19265345f54ce39cbb94cf81ba5f15905011),platform=Mac OS X 10.14.6 x86_64)

[shirai]

tryの直前にprint(1)などと打ってみてください。
while文が何回回った時にこのエラーが出ていますか？

[Joes]

１回または２回です。
driver.find_element_by_id('ajax_more_button').click()
は実行できるときと出来ないときがあり、実行出来ても２回目でエラーになり前回の私のコメントと同じメセージが表示されます。

こちらの記事を参考にして
https://tanuhack.com/python/selenium/

下記のように書いたところエラーはでなくなりました。
element = driver.find_element_by_id('ajax_more_button')
driver.execute_script("arguments[0].click();", element)

しかし、このクリックを実行してbs4でニュース記事を取得しても、クリックしていないときと
同じ内容でした。while文でもtryの箇所がずっとループしていて、取り出せていません。
tryの中でbs4を書いてもクリックして得られるはずの、記事が取得出来ていませんでした。
引き続き原因を考えたいと思います。

[bs4の箇所]
soup = BeautifulSoup(requests.get(driver.current_url).content,'html.parser')
for a in soup.find_all(class_="uni-news-editorial-jp"):
for b in a.find_all("a"):
if b.text == "記事へ":
pass
else:
print(b.text, b.get("href"))

[shirai]

追記しました

[Joes]

ご丁寧に対応いただきありがとうございます。
最初の12個のニュース項目は取得できましたが、最初に表示されたページの項目を取得できないままエラーが出てしまいました。
ニュース項目の空欄にあった　<li class="p-list-item p-ad-list-item">のせいかなと考えています。

NoSuchElementException Traceback (most recent call last)
<ipython-input-21-646f850d058a> in <module>
28
29 for li_tag in driver.find_elements_by_class_name('p-list-item'):
---> 30 a_tag = li_tag.find_element_by_tag_name('a')
31 print(a_tag.text, a_tag.get_attribute('href'))
32

~/anaconda3/lib/python3.6/site-packages/selenium/webdriver/remote/webelement.py in find_element_by_tag_name(self, name)
303 element = element.find_element_by_tag_name('h1')
304 """
--> 305 return self.find_element(by=By.TAG_NAME, value=name)
306
307 def find_elements_by_tag_name(self, name):

~/anaconda3/lib/python3.6/site-packages/selenium/webdriver/remote/webelement.py in find_element(self, by, value)
657
658 return self._execute(Command.FIND_CHILD_ELEMENT,
--> 659 {"using": by, "value": value})['value']
660
661 def find_elements(self, by=By.ID, value=None):

~/anaconda3/lib/python3.6/site-packages/selenium/webdriver/remote/webelement.py in _execute(self, command, params)
631 params = {}
632 params['id'] = self._id
--> 633 return self._parent.execute(command, params)
634
635 def find_element(self, by=By.ID, value=None):

~/anaconda3/lib/python3.6/site-packages/selenium/webdriver/remote/webdriver.py in execute(self, driver_command, params)
319 response = self.command_executor.execute(driver_command, params)
320 if response:
--> 321 self.error_handler.check_response(response)
322 response['value'] = self._unwrap_value(
323 response.get('value', None))

~/anaconda3/lib/python3.6/site-packages/selenium/webdriver/remote/errorhandler.py in check_response(self, response)
240 alert_text = value['alert'].get('text')
241 raise exception_class(message, screen, stacktrace, alert_text)
--> 242 raise exception_class(message, screen, stacktrace)
243
244 def _value_or_default(self, obj, key, default):

NoSuchElementException: Message: no such element: Unable to locate element: {"method":"tag name","selector":"a"}
(Session info: headless chrome=77.0.3865.90)
(Driver info: chromedriver=2.38.552518 (183d19265345f54ce39cbb94cf81ba5f15905011),platform=Mac OS X 10.14.6 x86_64)

[shirai]

さらに追記しました。

[Joes]

大変勉強になりました。教えていただきありがとうございました。

Answer 2

最終的なコードがどのようになっているのかわかりませんが、ボタンクリック後に適度にwaitをすると良いのではないでしょうか。

def wait_classes(drv, sec, selector, base):

	def checker(selector, base):
		elem = drv.find_elements(By.CSS_SELECTOR, selector)
		if not elem :
			return False

		print("found elem: ", len(elem))
		if base < len(elem):
			return elem
		return False

	try:
		elem = WebDriverWait(drv, sec).until(
			lambda _: checker(selector, base)
		)
		return elem
	except TimeoutException:
		print(f"wait timeout.. {selector} not found")
	return None

litem_cls = '#latest_list li.p-list-item'
litem = wait_classes(driver, 30,  litem_cls, 0)
num = len(litem)
print('num: ', num)

element = driver.find_element_by_id('ajax_more_button')
driver.execute_script("arguments[0].click();", element)

litem = wait_classes(driver, 30,  litem_cls, num)
num = len(litem)
print('num: ', num)

Comments

[Joes]

回答ありがとうございます