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

88.35%

WEBからのPDFの保存

解決済

回答 2

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 397

前提・実現したいこと

観光庁のWEBページから、毎月公開されるPDFを自動でダウンロードし、フォルダに保存させたいと考えております。

現状はスケジュール機能は実装せず、「指定したURLからPDFをダウンロードしてファイルに保存」ということを
目標にしているのですが、どうも上手くいきません。

具体的には、print(tags)以下が実行されていないようです。

下記コードは
https://teratail.com/questions/197747

を参考にさせていただきました。
(もちろん上記URLに記載のコードの通り貼り付けるとうまくいくのですが、、)

お手数おかけいたしますが、アドバイスいただけると助かります。
ご教示のほどよろしくお願いいたします。

発生している問題・エラーメッセージ

[<a href="/jpn/statistics/data_info_listing/pdf/200415_monthly.pdf" target="_blank.....tagprintされた状態となります。

該当のソースコード

import requests
from bs4 import BeautifulSoup
import urllib.request
from urllib.parse import urljoin
import re
import time

url = "https://www.jnto.go.jp/jpn/statistics/data_info_listing/index.html"
base = "https://www.jnto.go.jp/"
html = requests.get(url)
soup = BeautifulSoup(html.content, "html.parser")

div = soup.find("div", class_= "main_column_middle cf")
li = div.find_next("li")
tags = li.find_all_next("a")
print(tags)

headers = {"User-Agent": "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:47.0) Gecko/20100101 Firefox/47.0"}

for i in range(len(tags)):
    filepath = "{}.pdf".format(i)
    target = tags[i]["href"]
    if re.match(r"pdf", target):
        url_1 = urljoin(base, target)
        request = urllib.request.Request(url=url_1, headers=headers)
        with open(filepath, "wb") as f:
            f.write(urllib.request.urlopen(request).read())
  • 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

re.match は

If zero or more characters at the beginning of string match the regular expression pattern, return a corresponding match object.

なので、target (目的の URL) が pdf で始まる場合だけマッチします。で、参考にした質問ではリンク先が pdf/019_00_01.pdf のように pdf/ で始まるためにマッチしますが、今回のリンク先はそうではないためにひとつもマッチしません。

とりあえず target を表示してみれば分かりますが、

a. /jpn/statistics/data_info_listing/pdf/200415_monthly.pdf
b. http://www.jnto.go.jp/jpn/downloads/120420_monthly.pdf

の 2 種類あるので、場合分けが必要でしょうね。

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。

  • 2020/05/01 16:03

    お返事ありがとうございました。import os にすることで解決したものの、仰る通り場合分けができていないせいで、100枚以上ものPDFがダウンロードされてしまうため、場合分けが必要だと感じています。勉強しながらチャレンジしていきたいと思います。ありがとうございます!

    キャンセル

  • 2020/05/01 16:22

    でしょうね。しかも、ファイル名が単なる連番なので、どのファイルが何なのか訳が分からなくなりそう。

    キャンセル

checkベストアンサー

0

tags = li.find_all_next("a")では全てのa要素を取得しリスト型を代入するので、print(tags)ではタグの一覧(リスト)が出力されます。
そのため、for文の中でtarget = tags[i]["href"]をしタグのhref属性(URL)を取得しているのだと思います。

上の方が仰っていた、re.matchに関することですがreではなく、osを使い

import os

#省略

for i in range(len(tags)):
    filepath = "{}.pdf".format(i)
    target = tags[i]["href"]
    if os.path.splitext(target)[1] == '.pdf':
        url_1 = urljoin(base, target)
        request = urllib.request.Request(url=url_1, headers=headers)
        with open(filepath, "wb") as f:
            f.write(urllib.request.urlopen(request).read())


とするのはいかがでしょうか。

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。

  • 2020/05/01 16:01

    ありがとうございます!無事にダウンロードできました!頂いたコード、読み解いていきたいと思います。

    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 88.35%
  • 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られる

関連した質問

同じタグがついた質問を見る