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

87.59%

Pythonでのスクレイピングでうまく抽出できない

解決済

回答 1

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 820

score 38

Pythonでのスクレイピングを勉強しています。作成しているコードは、Googleで語を検索し、表示されたページのタイトルとURLをエクセルに抜き取るというものです。

しかし、タイトルとURLがうまくリストに格納されません。これはなぜなのでしょうか。

以下が作成したコードです。

import openpyxl
import time                            # スリープを使うために必要
from selenium import webdriver         # Webブラウザを自動操作する(python -m pip install selenium)
import chromedriver_binary

driver = webdriver.Chrome()
driver.get('https://www.google.com/')

search = driver.find_element_by_name('q')
search.send_keys("あばばば")
search.submit()
time.sleep(3)

def search_page(driver):
    page_number = 1
    page_number_max = 3
    title_list = []
    url_list = []

    scraping_count = 0 #確認用変数
    while page_number <= page_number_max:
        class_group = driver.find_elements_by_class_name("rc")
        for class_name in class_group:
            title_list.append(class_name.find_element_by_class_name("LC20lb DKV0Md").text)
            url_list.append(class_name.find_element_by_tag_name("a").get_attribute("href"))
            scraping_count += 1

        if driver.find_elements_by_id("pnnext") == []: #次のページがなかったらループを抜け出す
            page_number = page_number_max + 1
        else:
            next_page = driver.find_elements_by_id("pnnext").get_attribute("href")
            driver.get(next_page)
            page_number += 1
            time.sleep(3)

    return title_list, url_list, scraping_count

titles, urls, count= search_page(driver)
print(f"Number of extracts are {count}")

wb = openpyxl.Workbook()
sheet = wb.active

headers = ["Title", "URL"]
i = 1
for header in headers:
    sheet.cell(row = 1,
               column = i,
               value = header)
    i += 1

i = 2
for (title, url) in zip(titles, urls):
    sheet.cell(row = i,
               column = 1,
               value = title)
    sheet.cell(row = i,
               column = 2,
               value = url)
    i += 1

wb.save("scraping.xlsx")


実行すると以下のように出力されます。

引用テキスト
DevTools listening on ws://127.0.0.1:49835/devtools/browser/d77618c9-a3d6-4982-814e-034bac32c200
[9312:13168:1219/164828.980:ERROR:device_event_log_impl.cc(211)] [16:48:28.980] USB: usb_device_handle_win.cc:1020 Failed to read descriptor from node connection: システムに接続されたデバイスが機能していません。 (0x1F)
Traceback (most recent call last):
File "C:\Users\yagla\Program_lessons\Python\index.py", line 38, in <module>
titles, urls, count= search_page(driver)
File "C:\Users\yagla\Program_lessons\Python\index.py", line 24, in search_page
title_list.append(class_name.find_element_by_class_name("LC20lb DKV0Md").text)
File "C:\Users\yagla\AppData\Local\Programs\Python\Python39\lib\site-packages\selenium\webdriver\remote\webelement.py", line 398, in find_element_by_class_name
return self.find_element(by=By.CLASS_NAME, value=name)
File "C:\Users\yagla\AppData\Local\Programs\Python\Python39\lib\site-packages\selenium\webdriver\remote\webelement.py", line 658, in find_element
return self._execute(Command.FIND_CHILD_ELEMENT,
File "C:\Users\yagla\AppData\Local\Programs\Python\Python39\lib\site-packages\selenium\webdriver\remote\webelement.py", line 633, in _execute
return self._parent.execute(command, params)
File "C:\Users\yagla\AppData\Local\Programs\Python\Python39\lib\site-packages\selenium\webdriver\remote\webdriver.py", line 321, in execute
self.error_handler.check_response(response)
File "C:\Users\yagla\AppData\Local\Programs\Python\Python39\lib\site-packages\selenium\webdriver\remote\errorhandler.py", line 242, in check_response
raise exception_class(message, screen, stacktrace)
selenium.common.exceptions.NoSuchElementException: Message: no such element: Unable to locate element: {"method":"css selector","selector":".LC20lb DKV0Md"}
(Session info: chrome=87.0.4280.88)

  • 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 1

checkベストアンサー

+1

大前提としてgoogleのスクレイピングは禁止となっておりますが、とりあえずは解説
class属性を複数指定する場合.find_element_by_css_selector()を使用し
各class属性を.で冠し指定してあげましょう。

-            title_list.append(class_name.find_element_by_class_name("LC20lb DKV0Md").text)
+            title_list.append(class_name.find_element_by_css_selector(".LC20lb.DKV0Md").text)


もう1点、次のページへの遷移の際の指定ですがelementsと複数形にしてしまっては
戻り値がリストになってしまうのでelementとすべきでしょう。

-            next_page = driver.find_elements_by_id("pnnext").get_attribute("href")
+            next_page = driver.find_element_by_id("pnnext").get_attribute("href")

投稿

編集

  • 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。

  • 2020/12/20 14:45

    ありがとうございました!アドバイス通り変更し、クラス名を少し変えたらばっちりエクセルに抽出できました。

    「googleのスクレイピングは禁止となっております」
    →初耳でした、ご指摘ありがとうございます。勉強のためとはいえ、以後気を付けてます。

    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 87.59%
  • 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