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

87.37%

Beautiful SoupでスクレイピングしたものをCSVファイルへ日付ごとに出力したい

解決済

回答 2

投稿

  • 評価
  • クリップ 0
  • VIEW 1,318

先日、Beautiful Soupを使用したスクレイピングについて伺ったものです。
その後、時系列でデータをスクレイピングし、CSVファイルに出力したいと思っているのですが、改行に悩まされています。

前提・実現したいこと

外務省のホームページから、経済関係に関する文言のみを時系列で取り出すために、以下のプログラムを書きました。

import requests
import re
from bs4 import BeautifulSoup
import csv
import time
import pandas as pd

date = '1228104', '1257898', '1286149', '1364311', '1368305', '1368468', '1368659', '1368915', '1436746', '1621199', '1621978', '1712311', '1713002', '1886784', '1918820'
i  = 0

honbun1 = list()

for aa in date  :
    url = "http://warp.ndl.go.jp/info:ndljp/pid/" + date[i] + "/www.mofa.go.jp/mofaj/area/korea/data.html"
    res = requests.get(url)
    print(url)
    time.sleep(10)
    h4 = exa.find("h4", text=re.compile("経済関係"))
    for m in h4.find_next_siblings("p", limit = 3):
        honbun1.append(m.string)
    i = i + 1
    print(str(i) + "件目")


df = pd.DataFrame(honbun1)
df.to_csv(r"パス名", index=False, header=False, sep="\t")

発生している問題・エラーメッセージ

その後、PandasのDataframeを使用し、リストを時系列に作成したいのですが、このまま出力すると、find_next_siblingsでlimit=3としているせいなのか、文字列が改行されてしまいます。
いずれは他のデータとマージして、時系列で扱いたいと思っているので、同じ日付の記述は同じ行に追加したいのですが、方法がわからず質問させていただきました。

↓上記のコードを実行し、出力したCSVファイルです。改行がページごとでなく、本文の行ごとになってしまいます。

試したこと

以下のコードで要素を一度strオブジェクトに変換し、limit=2だけ取り出して結合する処理を行いました。
このhonbun_csv1というリストをDataFrameに変換したところ、同じ日付のものをまとめることはできました。

honbunstr1 = list(map(str, honbun1))


honbun_csv1 = list()
i = 0

for n in honbunstr1 :
    two = ''.join(honbunstr1[i:i+3])
    honbun_csv.append(three)
    i = i + 3

honbun_csv1 = list(filter(lambda a: a != "", honbun_csv1))

しかし、このウェブサイトは途中で記述方法や段落が変わることが少なくなく、このまま対応し続けると連続でうまく対応することができません。

h4 = exa.find("h4", text=re.compile("経済関係"))
for m in h4.find_next_siblings("p", limit = 2):
honbun1.append(m.string)
i = i + 1
print(str(i) + "件目")

個人的にはスクレイパーのこの部分を変更し、1要素にまとめる必要があるのかなと思っているのですが…

大変わかりづらい説明、そして初歩的な質問申し訳ありません。
ご不明点ございましたら、追記させていただきますので、お力添え願えないでしょうか。
どうぞ宜しくお願い致します。

  • 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

+1

リストの中身を1つの文章(文字列)にする必要があるのではないでしょうか?

a = ['abc','def']
df = pd.DataFrame(a)
#    0
#0 abc
#1 def

b = [''.join(a)]
df = pd.DataFrame(a)
#    0
#0 abcdef

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。

  • 2019/10/15 11:37

    こちらでも正常に作動しました!ご教授ありがとうございます!

    キャンセル

checkベストアンサー

0

スクレイパーのこの部分を変更し、1要素にまとめる必要があるのかな

そこですね。こんな感じですかね。

    h4 = exa.find("h4", text=re.compile("経済関係"))
    for m in h4.find_next_siblings("p", limit = 3):
        honbun1.append(m.string)


↓ 日付単位で1回だけappendするように修正

    h4 = exa.find("h4", text=re.compile("経済関係"))
    honbun1.append(''.join([m.string for m in h4.find_next_siblings("p", limit = 3)]))


↓ pかどうか曖昧だし3個かどうかも曖昧なので「次のヘッダまでの要素」というヘルパ関数を導入

    def elements_to_next_header(start):
        next = start.find_next_sibling()
        while next and not re.match('h[1-6]', next.name):
            yield next
            next = next.find_next_sibling()
    h4 = exa.find(re.compile("h[1-6]"), text=re.compile("経済関係$"))
    honbun1.append('\n'.join([m.string.strip() for m in elements_to_next_header(h4)]))

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。

  • 2019/10/15 11:37

    ありがとうございます!!データは後できれいにしようと思っていたのですが、これでそのまま使用できるようになりました(T_T)質問以上のご回答を頂き、大変感激しております…本当にありがとうございます!!

    キャンセル

  • 2019/10/15 14:04 編集

    ヘルパ関数についてお伺いしたいのですが、このまま動かすと例えば、

    <p>(3)2010年は韓国併合から100年となる節目の年であり、8月10日に菅総理は<a href="/info:ndljp/pid/1713002/www.kantei.go.jp/jp/kan/statement/201008/10danwa.html">日韓関係に関する総理談話<img src="/info:ndljp/pid/1713002/www.mofa.go.jp/mofaj/image/othersite.gif" alt="他のサイトヘ" width="15" height="15" border="0"></a>(首相官邸ホームページへリンク)を発表した。植民地支配への反省とお詫びとともに、これからの100年を見据えた未来志向の日韓関係を構築していくことを表明。</p>

    のように、ハイパーリンクのタグが含まれている文字列がうまくスクレイプできませんでした(Noneと返ってきます)。それがなぜなのかヘルパ関数だけを見ても理解できませんでした…
    h1~h6じゃなければ次の要素を返すようにヘルパ関数で定義しているのなら、ここもうまくスクレイプできるはずですよね…?初歩的な質問お許しくださいませm(__)m

    追記:こちらの例は政治関係の項目に応用した場合です。ややこしくすみません、、、

    キャンセル

  • 2019/10/15 14:38

    ↑自己解決しました。.stringの箇所を.textにすることでハイパーリンク等文字のなかの他タグを無視し文字列として返すことができました!通知が何度も行ってしまったかと思います。申し訳ありません。
    ヘルパ関数で大変作業が進み、ありがとうございましたm(__)m

    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 87.37%
  • 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