Pythonでのスクレイピングでうまく抽出できない

Question

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)

Answer 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")

Comments

[nnnnnnn-kkkkkk]

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。