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

89.19%

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

解決済

回答 2

投稿

  • 評価
  • クリップ 1
  • VIEW 645

JoeN

score 17

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。

  • 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 2

checkベストアンサー

+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

投稿

編集

  • 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。

  • 2019/09/26 14:49 編集

    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)

    キャンセル

  • 2019/10/01 09:28

    さらに追記しました。

    キャンセル

  • 2019/10/04 13:52

    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。

    キャンセル

0

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)

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。

  • 2019/10/05 02:21

    回答ありがとうございます

    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 89.19%
  • 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