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

87.78%

スクレイピングで、a要素のhrefを取り出し、配列の文字にある'msg/'の文字を取り除いて表示したいです。

解決済

回答 3

投稿

  • 評価
  • クリップ 0
  • VIEW 590

score 18

前提・実現したいこと

スクレイピングで、a要素のhrefを取り出し、配列の文字にある'msg/'の文字を取り除いて表示したいです。
https://tenshoku.mynavi.jp/search/list/
上記のサイトにある「▶︎詳細をみる」にあるhrefを取り出したいと考えています。

現状、スクレイピングすることはできていいますが、要素が2つずつスクレイピングされてしまいます。
なぜなのかわからないため、教えていただきたいです。

最後の数字の部分が2ずつ出力されてしまいます。

発生している問題・エラーメッセージ

https://tenshoku.mynavi.jp//jobinfo-248825-1-4-1/?ty=rzs&searchId=1209225192&pageNum=1&showNo=1
https://tenshoku.mynavi.jp//jobinfo-248825-1-4-1/?ty=rzs&searchId=1209225192&pageNum=1&showNo=1
https://tenshoku.mynavi.jp//jobinfo-220100-1-31-1/?ty=rzs&searchId=1209225192&pageNum=1&showNo=2
https://tenshoku.mynavi.jp//jobinfo-220100-1-31-1/?ty=rzs&searchId=1209225192&pageNum=1&showNo=2
https://tenshoku.mynavi.jp//jobinfo-184770-1-48-1/?ty=rzs&searchId=1209225192&pageNum=1&showNo=3
https://tenshoku.mynavi.jp//jobinfo-184770-1-48-1/?ty=rzs&searchId=1209225192&pageNum=1&showNo=3
https://tenshoku.mynavi.jp//jobinfo-161900-1-281-1/?ty=0&searchId=1209225192&pageNum=1&showNo=4
・
・
・

該当のソースコード

from bs4 import BeautifulSoup
import requests

res = requests.get('https://tenshoku.mynavi.jp/search/list/')
res.raise_for_status()
soup = BeautifulSoup(res.text, "html.parser")
elems = soup.select('.linkArrowS')

for elem in elems:
    elem_rink = elem.get('href')
    if 'msg/' in elem_rink:
        elem_rp = elem_rink.replace('msg/', '')
        print('https://tenshoku.mynavi.jp/' + elem_rp)
    else:
        print('https://tenshoku.mynavi.jp/' + elem_rink)

試したこと

・elseを外した。

補足情報(FW/ツールのバージョンなど)

ifの条件がtrueの時はifの中身が実行されてelseの中身が実行されず、繰り返し処理をすると思っているのですが、間違っているのでしょうか?

  • 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 3

checkベストアンサー

0

そもそも何が起こっているか

ブラウザでこのサイトの画面を開いたら
どこか適当なところで右クリックをして検証をクリックし、開発者ツールを開いてください。

上の方にElements, Console, Sources...とありますが、
このうちConsoleを選んでください。
そしてそこにjsを打ち込み、エンターキーを押下します。

document.getElementsByClassName('linkArrowS')[i]


iには数字を代入してください0, 1, 2, 3, 4...といった具合です。

すると「企業からのメッセージを見る」と「詳細を見る」が交互に現れていると思います。
そしてこの2つ、href属性が全く同じであることを確認してください。

あなたはclass属性がlinkArrowSの要素を全て取り出していたので、
この両方のタグを上から順番に処理していったため、
printした際に同じものが2つ現れてしまったというわけです。

どうすれば「詳細を見る」だけ取得できるか

これはDOM毎に大きく変わってきますが、
今回の場合はaタグで表示されるテキストで取得するのが最適だと思います。

for elem in elems:
    if elem.string == '詳細を見る':
        elem_rink = elem.get('href')
        if 'msg/' in elem_rink:
            elem_rp = elem_rink.replace('msg/', '')
            print('https://tenshoku.mynavi.jp/' + elem_rp)
        else:
            print('https://tenshoku.mynavi.jp/' + elem_rink)

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。

  • 2019/11/01 09:33

    とてもわかりやすい解説ありがとうございます!!
    初学者にもわかりやすい文章で書いていただき、理解しやすかったです!!!

    解決策まで提示していただきありがとうございました!
    今後ともよろしくお願いいたします!

    キャンセル

0

もとのHTMLに同じデータが2つずつあるからでは?

ifの条件がtrueの時はifの中身が実行されてelseの中身が実行されず、繰り返し処理をすると思っているのですが、間違っているのでしょうか?

合ってます。

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。

0

find_allだとstringでテキストを抽出対象にできます

https://www.crummy.com/software/BeautifulSoup/bs4/doc/#the-string-argument

URLはurljoinで結合しています

from bs4 import BeautifulSoup
import requests
from urllib.parse import urljoin

url = "https://tenshoku.mynavi.jp/search/list/"

res = requests.get(url)
res.raise_for_status()

soup = BeautifulSoup(res.content, "html.parser")

for i in soup.find_all("a", class_="linkArrowS", string="詳細を見る"):
    print(urljoin(url, i.get("href")).replace("/msg/", "/"))

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。

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 87.78%
  • 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

  • トップ
  • Pythonに関する質問
  • スクレイピングで、a要素のhrefを取り出し、配列の文字にある'msg/'の文字を取り除いて表示したいです。