pythonスクレイピング　html読み込みができない

前提・実現したいこと

プログラミング始めて2か月ほどの初心者です。

pythonで競馬の過去データまとめを行いたく
スクレイピングをしたいですが、
読み込みができないです。

htmlについてはほとんど無知のためそちらの知識で不足していることがあれば
教えていただけると助かります。

画面指定個所のデータを取得したいです。

発生している問題・エラーメッセージ

データの読み込みができません
エラーメッセージはなく出力は「None」です。

html内に下記のコメント？があるのですが関係ありますでしょうか。

このコメント以下の取得ができていないように思います。

該当のソースコード

python3

#ライブラリ取得
import requests
from bs4 import BeautifulSoup
import re

#url読み込み
url = "https://race.netkeiba.com/top/race_list.html?kaisai_date=20200809&kaisai_id=2020040206&current_group=1020200808#racelist_top_a"
res = requests.get(url)
soup = BeautifulSoup(res.text, "html.parser")

データの読み込み
elems=soup.body.div.find(class_='RaceList_Date_Top clearfix').find(class_="ItemTitle")
print(elems)

試したこと

セレクタによる読み込みも行いましたができませんでした。

補足情報（FW/ツールのバージョンなど）

行動規範の内容に同意します

回答2件

ベストアンサー

概ね、実現したいことはイメージできるのですが・・・
私がこの場でご説明するにはスペースが狭すぎますねm(_ _)m

python3
1#ライブラリ取得
2import urllib.request
3import lxml.html
4
5#url読み込み
6url = "https://race.netkeiba.com/top/race_list_sub.html?kaisai_date=20200809&current_group=1020200808"
7html = urllib.request.urlopen(url).read()
8
9# データの読み込み
10dom = lxml.html.fromstring(html)
11for elem in dom.xpath('//*[@class="ItemTitle"]'):
12        print(elem.text)
13

私はrequestsとbs4があまり好きじゃないので、、、すみません。
ちなみにrequestsだと文字化けします。
無知で回避方法がわからないので、やっぱりurllilbとlxmlに頼っちゃいますね。
定期的にしっかりやるときはpycurlです。

初心者とのことで、後学になれば幸いです。

投稿2020/08/13 12:16

al_aya_yuka

総合スコア98

syosinsya01

2020/08/16 00:52

お返事が遅くなり申し訳ありません。ご回答いただいたプログラムを動作させたところ取得に成功しました。まだ中身が全く分かっていないので勉強して理解を深めようと思います。ありがとうございました。

al_aya_yuka

2020/08/17 03:05

全部ご説明いたしますと、長くなりそうでしたので、逆に全部省きましたが、まだ受付中とのことで気になる点がありましたら、追加コメントいただければと思います。

syosinsya01

2020/08/18 10:28

コメントいただきありがとうございます。回答いただいたプログラムではURLがhtml内部のもの？担っているかと思うのですが可能であればこちらのURLの取得もプログラミング上で行いたいのですが可能でしょうか。

al_aya_yuka

2020/08/19 05:35

確認いたしましたが、不可能ではないかと存じます。 HTML上にJSのコードやURLが記載されていればよいのですが、URLそのものも動的に生成されているようです。この場合はURLパラメータもこちら側で生成するのが良いと思います。パラメータは下記2つ kaisai_date 　→　開催日 current_group 　→　よくわからないけど、必須ではなさそう上記を踏まえて、毎日バッチで実行し、パラメータを本日に変えてあげればよいのではないでしょうか。 https://race.netkeiba.com/top/race_list_sub.html?kaisai_date=20200801 開催がない日は空が返るようですが、競馬が土日しかないというのであれば土日のみ動かすのが良いと思います。一応開催日を取得するものもあるようです。 https://race.netkeiba.com/top/race_list_get_date_list.html?kaisai_date=20200808&encoding=UTF-8 クロールには時として裏口の突き合いになってしまわざるを得ないケースがあります。 WEBサイト側も同じエンジニアが作成しているのでエンジニアがやりそうなことを想定し、同じように踏んであげればよいと思います。というより相手先の負荷を考えれば最短で必要な情報を取ることはむしろ取得側としてのマナーかもしれませんね。よろしくお願いいたします。

al_aya_yuka

2020/08/19 05:40

すみません、URLはご掲示いただいているプログラムソースからしか見ていませんでしたが、本来人間のアクセスでは下記からアクセスするかと思います。 https://race.netkeiba.com/top/race_list.html その時、下記URLが呼ばれます https://race.netkeiba.com/top/race_list_get_date_list.html?kaisai_date=&encoding=UTF-8 この中にクロールしたいURLが含まれているので、こちらをスクレイピングしてたどります。これが正しい遷移です。混乱を招いて申し訳ありません。

syosinsya01

2020/08/19 08:50

ご回答いただきありがとうございます。大変わかりやすく、またとても参考になりました。過去のデータを取得する際にはURLのdate=に続けて日付を指定すれば取得できそうですね。 calenderモジュール、datetimeモジュールを使用すれば土日の日付も取得できそうなので頑張ってみます。ご意見いただきありがとうございました！ seleniumで自動操作して取得可能か検討していたのですがつまずいていたところだったのでとても助かりました！

行動規範の内容に同意します

<div class="RaceList_Area">

<script type="text/javascript"> // $Id: race_list.html 19925 2019-02-25 01:26:38Z m-yoshimura $ で始まっている部分のことでしょうか？「開催レース一覧」と表示されている部分は、JavaScript で生成されていますので、JavaScript の実行されない BeautifulSoup では、取得できないと思います。 Selenium 等の JavaScript を実行できる環境であれば、取得できる可能性はあります。

投稿2020/08/13 09:43