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!

新規登録して質問してみよう
ただいま回答率
85.35%
Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

Q&A

解決済

1回答

1276閲覧

pythonでニコニコ大百科のコメント欄を保存したいです

villas

総合スコア14

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

0グッド

0クリップ

投稿2020/04/25 14:35

編集2020/04/25 17:14

前提・実現したいこと

ニコニコ大百科コメント欄を保存したいと思いこちらのコードをコピペしました↓
https://github.com/we-yu/sb.webscraping/blob/master/nicopedy_saver.py

実行した結果

実行しようとするとこんなエラーが起こりました

FileNotFoundError: [WinError 2] 指定されたファイルが見つかりません。

補足情報

コマンドライン引数は入れてあります。
tmpファイルは作成されていてその中にコメントは入っています。
他にも気になる部分があればお尋ねください

追記

 編集できる事については初めて知りましたありがとうございます。

エラーが起こった部分は

cmnd = ['./CatFiles.sh', tmpHeadFile, tmpMainFile, headlessFile, pediLogFileName]

だと思います

コードは以下の通りです

# coding: UTF-8 import requests from bs4 import BeautifulSoup import re from time import sleep from pprint import pprint import os.path from datetime import datetime, timedelta, timezone import subprocess import sys import shutil from functools import partial RES_IN_SINGLEPAGE = 30 LOG_STORE_DIRECTORY = 'logs' SCRAPING_INTERVAL_TIME = 3 NICOPEDI_URL_HEAD_A = "https://dic.nicovideo.jp/a/" def CheckCreateDirectory(location, dirName) : relativePath = location + '/' + dirName if not os.path.exists(relativePath) : os.mkdir(relativePath) # print('Create',relativePath) return relativePath def GetSearchTargetURLs(baseURL, latestId) : pageUrls = [] tgtPage = requests.get(baseURL) soup = BeautifulSoup(tgtPage.content, "html.parser") if not soup.find('div', class_='st-pg_contents') : print_red('Nothing any response in this article.', is_bold=True) return None if soup.find('a', class_='navi') : soup.find('a', class_='navi').decompose() pagers = soup.select("div.st-pg_contents") pager = pagers[0] pager = pager.getText() splitedTxt = pager.strip() splitedTxts = splitedTxt.split('\n') txts = [] for txt in splitedTxts : v = re.sub(r'\D', '', txt) if v == '' : continue txts.append(int(v)) if len(txts) == 0 : print('Nothing any response to get.') return None # print(len(txts), txts[-1]) finalPage = int((txts[-1] - 1) / RES_IN_SINGLEPAGE) finalPage += 1 startPage = latestId // RES_IN_SINGLEPAGE baseBbsUrl = baseURL.replace('/a/', '/b/a/') print(startPage * RES_IN_SINGLEPAGE, 'To', finalPage * RES_IN_SINGLEPAGE) # pprint(txts) for i in range(startPage, finalPage) : pageNum = i * RES_IN_SINGLEPAGE + 1 pageUrl = baseBbsUrl + '/' + str(pageNum) + '-' pageUrls.append(pageUrl) estSec = len(pageUrls) * SCRAPING_INTERVAL_TIME estMin = estSec // 60 estHrs = estMin // 60 estSec = str(estSec) + 's / ' estMin = str(estMin) + 'm / ' estHrs = str(estHrs) + 'h' print('Minimum estimation time =', estSec, estMin, estHrs) return pageUrls def GetAllResInPage(tgtUrl) : r = requests.get(tgtUrl) soup = BeautifulSoup(r.content, "html.parser") resheads = soup.find_all("dt", class_="st-bbs_reshead") resbodys = soup.find_all("dd", class_="st-bbs_resbody") formattedHead = [] formattedBody = [] resCount = 0 for rhead in resheads: h = rhead hObj = BeautifulSoup(str(h), 'html.parser') bbs_resNo = hObj.find('span', class_='st-bbs_resNo').getText() bbs_name = hObj.find('span', class_='st-bbs_name').getText() bbs_resInfo = hObj.find('div', class_='st-bbs_resInfo').getText() bbs_resInfo = bbs_resInfo.strip() bbs_resInfo = bbs_resInfo.strip('\n') bbs_resInfo = bbs_resInfo.replace('\n', ' ') pattern = r' +' bbs_resInfo = re.sub(pattern, ' ', bbs_resInfo) # print(bbs_resNo, bbs_name, bbs_resInfo) resHeaders = [bbs_resNo, bbs_name, bbs_resInfo] h = ' '.join(resHeaders) formattedHead.append(h) for rbody in resbodys: b = str(rbody) b = b.replace("<br>", "\n") b = b.replace("<br/>", "\n") b = BeautifulSoup(b, "html.parser").getText() b = b.strip() b = b.strip('\n') formattedBody.append(b) resCount += 1 return resCount, formattedHead, formattedBody def TeeOutput(text, file) : # print(text + '\n', end="") file.write(text + '\n') return def GetLatestID(fName): try: cmnd = ['head', '-1', fName] subResult = subprocess.check_output(cmnd) except: print("Error.") heads = subResult.split() id = int(heads[2]) return id def print_colored(code, text, is_bold=False): if is_bold: code = '1;%s' % code print('\033[%sm%s\033[0m' % (code, text)) print_red = partial(print_colored, '31') def IsValidURL(targetURL) : isValid = targetURL.startswith(NICOPEDI_URL_HEAD_A) return isValid # メイン処理スタート ----------------------------------------------------------------- args=sys.argv if len(args)<=1: print_red('Nothing Target URL',is_bold=True) sys.exit(0) tgtArtUrl = args[1] if not IsValidURL(tgtArtUrl) : print_red('This is not valid URL.', is_bold=True) print('Target URL should be under', NICOPEDI_URL_HEAD_A) sys.exit(0) logDir = CheckCreateDirectory('.', LOG_STORE_DIRECTORY) art_req = requests.get(tgtArtUrl) art_soup = BeautifulSoup(art_req.content, 'html.parser') art_soup.find('span', class_='st-label_title-category').decompose() art_soup.find('div', class_='a-title-yomi').decompose() titleTxt = art_soup.find('div', class_='a-title') pageTitle = titleTxt.getText() pageTitle = pageTitle.strip() pageTitle = pageTitle.strip('\n') pageTitle = pageTitle.replace(' ', '_') pediLogFileName = pageTitle + ".log" pediLogFileName = logDir + '/' + pediLogFileName JST = timezone(timedelta(hours=+9), 'JST') now = datetime.now(JST) nowstamp = str(now.timestamp()).replace('.','') tmpDir = CheckCreateDirectory('.', nowstamp) tmpMainFile = tmpDir + '/' + nowstamp + '.main' + '.tmp' print('Output log file = [', pediLogFileName, ']') if os.path.exists(pediLogFileName) : print("Found log file.") latestId = GetLatestID(pediLogFileName) openMode = 'a' shutil.copyfile(pediLogFileName, tmpMainFile) else : print("Not found log file.") latestId = 0 openMode = 'w' writer = open(tmpMainFile, openMode) if openMode == 'w' : TeeOutput(pageTitle + '\n', writer) writer.close() targetURLs = GetSearchTargetURLs(tgtArtUrl, latestId) if targetURLs == None : sys.exit(0) print('Progress ... ', end='', flush=True) for url in targetURLs: with open(tmpMainFile, 'a') as writer: resCount, formattedHead, formattedBody = GetAllResInPage(url) mark = (latestId % RES_IN_SINGLEPAGE) for i in range(mark, resCount): TeeOutput(formattedHead[i], writer) TeeOutput(formattedBody[i], writer) TeeOutput("", writer) latestId += 1 print(latestId, end=' ', flush=True) if url != targetURLs[-1] : sleep(SCRAPING_INTERVAL_TIME) print() tmpHeadFile = tmpDir + '/' + nowstamp + '.head' + '.tmp' with open(tmpHeadFile, 'w') as writer: metaInfo = [pageTitle, str(now.strftime("%Y-%m-%d/%H:%M")), str(latestId)] metaInfoLine = ' '.join(metaInfo) TeeOutput(metaInfoLine, writer) headlessFile = tmpDir + '/' + 'headless' + '.tmp' cmnd = ['./CatFiles.sh', tmpHeadFile, tmpMainFile, headlessFile, pediLogFileName] # pprint(cmnd) subResult=subprocess.call(cmnd) shutil.rmtree(tmpDir) print("Output =", pediLogFileName, '(', latestId, ')' )

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MY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。

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

meg_

2020/04/25 15:08

エラーが発生したコードを掲載してください。
villas

2020/04/25 16:38

# coding: UTF-8 import requests from bs4 import BeautifulSoup import re from time import sleep from pprint import pprint import os.path from datetime import datetime, timedelta, timezone import subprocess import sys import shutil from functools import partial RES_IN_SINGLEPAGE = 30 LOG_STORE_DIRECTORY = 'logs' SCRAPING_INTERVAL_TIME = 3 NICOPEDI_URL_HEAD_A = "https://dic.nicovideo.jp/a/" def CheckCreateDirectory(location, dirName) : relativePath = location + '/' + dirName if not os.path.exists(relativePath) : os.mkdir(relativePath) # print('Create',relativePath) return relativePath def GetSearchTargetURLs(baseURL, latestId) : pageUrls = [] tgtPage = requests.get(baseURL) soup = BeautifulSoup(tgtPage.content, "html.parser") if not soup.find('div', class_='st-pg_contents') : print_red('Nothing any response in this article.', is_bold=True) return None if soup.find('a', class_='navi') : soup.find('a', class_='navi').decompose() pagers = soup.select("div.st-pg_contents") pager = pagers[0] pager = pager.getText() splitedTxt = pager.strip() splitedTxts = splitedTxt.split('\n') txts = [] for txt in splitedTxts : v = re.sub(r'\D', '', txt) if v == '' : continue txts.append(int(v)) if len(txts) == 0 : print('Nothing any response to get.') return None # print(len(txts), txts[-1]) finalPage = int((txts[-1] - 1) / RES_IN_SINGLEPAGE) finalPage += 1 startPage = latestId // RES_IN_SINGLEPAGE baseBbsUrl = baseURL.replace('/a/', '/b/a/') print(startPage * RES_IN_SINGLEPAGE, 'To', finalPage * RES_IN_SINGLEPAGE) # pprint(txts) for i in range(startPage, finalPage) : pageNum = i * RES_IN_SINGLEPAGE + 1 pageUrl = baseBbsUrl + '/' + str(pageNum) + '-' pageUrls.append(pageUrl) estSec = len(pageUrls) * SCRAPING_INTERVAL_TIME estMin = estSec // 60 estHrs = estMin // 60 estSec = str(estSec) + 's / ' estMin = str(estMin) + 'm / ' estHrs = str(estHrs) + 'h' print('Minimum estimation time =', estSec, estMin, estHrs) return pageUrls def GetAllResInPage(tgtUrl) : r = requests.get(tgtUrl) soup = BeautifulSoup(r.content, "html.parser") resheads = soup.find_all("dt", class_="st-bbs_reshead") resbodys = soup.find_all("dd", class_="st-bbs_resbody") formattedHead = [] formattedBody = [] resCount = 0 for rhead in resheads: h = rhead hObj = BeautifulSoup(str(h), 'html.parser') bbs_resNo = hObj.find('span', class_='st-bbs_resNo').getText() bbs_name = hObj.find('span', class_='st-bbs_name').getText() bbs_resInfo = hObj.find('div', class_='st-bbs_resInfo').getText() bbs_resInfo = bbs_resInfo.strip() bbs_resInfo = bbs_resInfo.strip('\n') bbs_resInfo = bbs_resInfo.replace('\n', ' ') pattern = r' +' bbs_resInfo = re.sub(pattern, ' ', bbs_resInfo) # print(bbs_resNo, bbs_name, bbs_resInfo) resHeaders = [bbs_resNo, bbs_name, bbs_resInfo] h = ' '.join(resHeaders) formattedHead.append(h) for rbody in resbodys: b = str(rbody) b = b.replace("<br>", "\n") b = b.replace("<br/>", "\n") b = BeautifulSoup(b, "html.parser").getText() b = b.strip() b = b.strip('\n') formattedBody.append(b) resCount += 1 return resCount, formattedHead, formattedBody def TeeOutput(text, file) : # print(text + '\n', end="") file.write(text + '\n') return def GetLatestID(fName): try: cmnd = ['head', '-1', fName] subResult = subprocess.check_output(cmnd) except: print("Error.") heads = subResult.split() id = int(heads[2]) return id def print_colored(code, text, is_bold=False): if is_bold: code = '1;%s' % code print('\033[%sm%s\033[0m' % (code, text)) print_red = partial(print_colored, '31') def IsValidURL(targetURL) : isValid = targetURL.startswith(NICOPEDI_URL_HEAD_A) return isValid # メイン処理スタート ----------------------------------------------------------------- args=sys.argv if len(args)<=1: print_red('Nothing Target URL',is_bold=True) sys.exit(0) tgtArtUrl = args[1] if not IsValidURL(tgtArtUrl) : print_red('This is not valid URL.', is_bold=True) print('Target URL should be under', NICOPEDI_URL_HEAD_A) sys.exit(0) logDir = CheckCreateDirectory('.', LOG_STORE_DIRECTORY) art_req = requests.get(tgtArtUrl) art_soup = BeautifulSoup(art_req.content, 'html.parser') art_soup.find('span', class_='st-label_title-category').decompose() art_soup.find('div', class_='a-title-yomi').decompose() titleTxt = art_soup.find('div', class_='a-title') pageTitle = titleTxt.getText() pageTitle = pageTitle.strip() pageTitle = pageTitle.strip('\n') pageTitle = pageTitle.replace(' ', '_') pediLogFileName = pageTitle + ".log" pediLogFileName = logDir + '/' + pediLogFileName JST = timezone(timedelta(hours=+9), 'JST') now = datetime.now(JST) nowstamp = str(now.timestamp()).replace('.','') tmpDir = CheckCreateDirectory('.', nowstamp) tmpMainFile = tmpDir + '/' + nowstamp + '.main' + '.tmp' print('Output log file = [', pediLogFileName, ']') if os.path.exists(pediLogFileName) : print("Found log file.") latestId = GetLatestID(pediLogFileName) openMode = 'a' shutil.copyfile(pediLogFileName, tmpMainFile) else : print("Not found log file.") latestId = 0 openMode = 'w' writer = open(tmpMainFile, openMode) if openMode == 'w' : TeeOutput(pageTitle + '\n', writer) writer.close() targetURLs = GetSearchTargetURLs(tgtArtUrl, latestId) if targetURLs == None : sys.exit(0) print('Progress ... ', end='', flush=True) for url in targetURLs: with open(tmpMainFile, 'a') as writer: resCount, formattedHead, formattedBody = GetAllResInPage(url) mark = (latestId % RES_IN_SINGLEPAGE) for i in range(mark, resCount): TeeOutput(formattedHead[i], writer) TeeOutput(formattedBody[i], writer) TeeOutput("", writer) latestId += 1 print(latestId, end=' ', flush=True) if url != targetURLs[-1] : sleep(SCRAPING_INTERVAL_TIME) print() tmpHeadFile = tmpDir + '/' + nowstamp + '.head' + '.tmp' with open(tmpHeadFile, 'w') as writer: metaInfo = [pageTitle, str(now.strftime("%Y-%m-%d/%H:%M")), str(latestId)] metaInfoLine = ' '.join(metaInfo) TeeOutput(metaInfoLine, writer) headlessFile = tmpDir + '/' + 'headless' + '.tmp' cmnd = ['./CatFiles.sh', tmpHeadFile, tmpMainFile, headlessFile, pediLogFileName] # pprint(cmnd) subResult=subprocess.call(cmnd) shutil.rmtree(tmpDir) print("Output =", pediLogFileName, '(', latestId, ')' )
meg_

2020/04/25 16:42

1.せっかくですが、この欄に書かれてもコードとして読めません。質問は編集できますので、質問に追記お願いします。 2.エラーが発生したのはコードのどの部分ですか?
guest

回答1

0

ベストアンサー

Python

1cmnd = ['./CatFiles.sh', tmpHeadFile, tmpMainFile, headlessFile, pediLogFileName] 2subResult=subprocess.call(cmnd)

上記の処理で、subprocessで CatFiles.sh というスクリプトを実行しようとしているけれど、
実行ディレクトリに見当たらなくてエラーになっています。
Linux環境等でCatFiles.shのファイルも配置した上で実行すれば動作するでしょう。

投稿2020/04/25 20:12

yodel

総合スコア508

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

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
85.35%

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る

質問する

関連した質問