selenium でサイトのAタグを抜き出し、それに順次アクセスするには？

Question

お世話になります。
本来のseleniumの使い方から逸脱するかもしれませんが、サイトを巡回して情報を得る作業を自動化したいです。

javaは殆ど初めてなので、みっともないコードを書いていましたら、お目汚しご容赦ください。

開発環境はWindows7 32bit。
javaはjavac -version で1.8.0_66になります。
eclips4.4.2で、解凍したseleniumをビルド・パスに読み込むところはOKで、Firefoxが立ち上がり、driver.getでGoogleに行き、sendKeysで検索文字を打ってという基本テストがOKでしたので気をよくし、次のようなコードを試験してみました。

import java.util.List;

import org.openqa.selenium.By;
import org.openqa.selenium.WebDriver;
import org.openqa.selenium.WebElement;
import org.openqa.selenium.firefox.FirefoxDriver;
import org.openqa.selenium.support.ui.ExpectedCondition;
import org.openqa.selenium.support.ui.ExpectedConditions;
import org.openqa.selenium.support.ui.WebDriverWait;

import static org.openqa.selenium.support.ui.ExpectedConditions.*;

public class App2 {

	public static void main(String[] args) {
		// TODO 自動生成されたメソッド・スタブ

		WebDriver driver = new FirefoxDriver();

        driver.get("http://news.infoseek.co.jp/ranking/");

        WebElement webElement = driver.findElement(By.id("rankingCmp"));
        List<WebElement> WebElementList = webElement.findElements(By.tagName("a"));
        
        for (int i=0 ; i<WebElementList.size() ; i++) {
            System.out.println(WebElementList.get(i));
        	
        }

	}

}

こちらの希望としては、infoseekのニュースランキングに接続し、ソースを見たところ、ランキング部分は<div id="rankingCmp" という部分に固まっているようですから、このdiv内のAタグをすべてLISTに読み込み、順番に接続するのが希望です。

現在、とりあえずこの中身を表示してみようとしているのですが、出力されるのは
[[[[FirefoxDriver: firefox on WINDOWS (e9fdd279-ee6c-499a-a26e-fa8920059ef2)] -> id: rankingCmp]] -> tag name: a]

という文字列で、aタグのリンク先ではないようです。

何が間違っていて、取り込まれたAタグが表示されないのでしょうか？
逆に間違って、Aタグを取り込んでいないのでしょうか？

よろしくご指導ください。

Answer 1

最後のforループを以下のように書き換えてみてください(WebElement自身でなくgetText()メソッドの結果を出力するように変更しています)。

for (int i = 0; i < WebElementList.size(); i++) {
    WebElement elem = WebElementList.get(i);
    System.out.println("text: " + elem.getText());
}

ちゃんと求めているものに近い(が余分なものも含まれている)ことができているのが確認できるのではないでしょうか。

---

ちなみに、やろうとしていることはおそらく「Webスクレイピング」と呼ばれるものだとおもいます。

それを実現するためには、Seleniumより「HTMLパーサ」に分類されるライブラリを用いるほうが適していると考えます。

上記の用語で検索してみると、より適切な解決法が見つかるかもしれません。

Comments

[ky_46]

ありがとうございます。
ほぼ、希望通りでした。

HTMLパーサーも調べてみます。
私自身、別質問でもあげたのですが、「WEBテスト」としての紹介が多いSeleniumは、webの自動巡回に使っても問題無いのだろうか？と疑問でしたので¨