Phthonのurllibで取得できるHTMLについて

Question

Python初学者でHTMLにもあまり詳しくないのですが、ご質問にご回答いただけるとありがたいです。

前提・実現したいこと

PythonのurllibとBeautihulSoupを用いて、スクレイピングを行いたいです。

発生している問題・エラーメッセージ

JupyterNotebookを使用して作業を行っております。

私は以下のコードを実行すると、Chromeでデベロッパーツールのelementsパネルで表示されるHTML全文が獲得できると思っておりました。

ですが、実際アクセスはできるのですが、print()で表示されたHTMLは、elementsパネルのものではなく、部分部分かけたようなものになっておりました。

私は、以下のどれかなのかと思っているのですが、

• 取得できているHTMLがあまりに長いので隠れてる（outputに表示されてないだけ)
• 機械的にPythonで取得しているため、相手側のセキュリティで一部のみしか取得できていない。
• そもそもelementsパネルに表示されているものはHTMLだけじゃない(私の勘違い)。

elementsパネルの全てのHTMLを展開した状態で取得する方法が知りたいです。
もしくは、表示されていないだけだとすれば、BeautifulSoupの.findもしくはselectでclassから入れ子のタグを検索する方法を知りたいです。

宜しくお願い致します。

該当のソースコード

import urllib
import bs4 

PROXIES = {
    'http': 'xxx',
    'https':  'xxx',
    'ftp':  'xxx'
}

def setup_proxy():
    proxy = urllib.request.ProxyHandler(PROXIES)
    opener = urllib.request.build_opener(proxy)
    urllib.request.install_opener(opener)
    opener.addheaders =  [('User-agent', 'Mozilla/5.0 (Windows; U; Windows NT 5.1; ja; rv:1.9.2.3) Gecko/20100401 Firefox/3.6.3 ( .NET CLR 3.5.30729)')]
    


url = 'xxx'
setup_proxy()
res = urllib.request.urlopen(url)

#インスタンスの作成
soup = bs4.BeautifulSoup(res, 'html.parser')


print(soup)

試したこと

上記のコードがすでに試した状態ですが、ユーザーエージェントの問題なのかと思い、

 opener.addheaders =  [('User-agent', 'Mozilla/5.0 (Windows; U; Windows NT 5.1; ja; rv:1.9.2.3) Gecko/20100401 Firefox/3.6.3 ( .NET CLR 3.5.30729)')]

を設定いたしました。

補足情報（FW/ツールのバージョンなど）

python 3.7.4

Answer 1

elementsパネルのものではなく、部分部分かけたようなものになっておりました。

はい、あくまでPythonで取ってくるのは純粋なHTMLだけであって、ブラウザの開発ツールから見えるのはJavaScript実行後のものです。JavaScriptで構築したものは、前者では取得できません。

Comments

[退会済みユーザー]

そういうことなんですね。。。
JavaScriptはもっと知らないので、見当もつきませんでした。。。
どうしたらJavaScriptの実行後のHTMLを取得できるのでしょうか。。。

教えていただけると大変ありがたいです。宜しくお願い致します

[maisumakun]

Headless Chromeなど、JavaScriptを実行できるブラウザをプログラムから制御して取得する形となります。

[退会済みユーザー]

それもPythonでできるものでしょうか。
何か参考になるサイトやコード等あったら大変ありがたいです。

[maisumakun]

https://kurozumi.github.io/selenium-python/index.html

[退会済みユーザー]

ありがとうございます。
参考にしてためしてみます。

Answer 2

JavaScriptが組み込まれてて、DOMをいじってHTMLを動的変更しているのかもしれませんね。
HTML取得しただけだとJavaScriptは動きません。

Comments

[退会済みユーザー]

JavaScriptを実行させたうえでHTMLを取得する方法があるのでしょうか。
あれば、お聞きしたいです。

宜しくお願い致します。。。

[shiracamus]

selenium使えばJavaScript実行後のHTMLが取得できると思うけど、やったことはないです。
ググってみたところ、説明記事がいろいろ見つかりました。
https://www.google.com/search?q=selenium+javascript%E5%AE%9F%E8%A1%8C%E6%B8%88%E3%81%BFHTML

[退会済みユーザー]

回答有難うございます。