🎄teratailクリスマスプレゼントキャンペーン2024🎄』開催中!

\teratail特別グッズやAmazonギフトカード最大2,000円分が当たる!/

詳細はこちら
スクレイピング

スクレイピングとは、公開されているWebサイトからページ内の情報を抽出する技術です。

CSV

CSV(Comma-Separated Values)はコンマで区切られた明白なテキスト値のリストです。もしくは、そのフォーマットでひとつ以上のリストを含むファイルを指します。

Beautiful Soup

Beautiful Soupは、Pythonのライブラリの一つ。スクレイピングに特化しています。HTMLデータの構文の解析を行うために、HTMLタグ/CSSのセレクタで抽出する部分を指定することが可能です。

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

777閲覧

webスクレイピング 出力結果のcsvについて

sirara

総合スコア13

スクレイピング

スクレイピングとは、公開されているWebサイトからページ内の情報を抽出する技術です。

CSV

CSV(Comma-Separated Values)はコンマで区切られた明白なテキスト値のリストです。もしくは、そのフォーマットでひとつ以上のリストを含むファイルを指します。

Beautiful Soup

Beautiful Soupは、Pythonのライブラリの一つ。スクレイピングに特化しています。HTMLデータの構文の解析を行うために、HTMLタグ/CSSのセレクタで抽出する部分を指定することが可能です。

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2021/02/23 05:28

お世話になっております。
表題の件につきまして、質問させていただきます。
情報に不足がございましたら、ご指摘ください。

事象

以下のコードの出力結果であるcsvについて、3行目以降にHTMLが記載されてしまっている。

行いたいこと

ページ全体のHTMLをセルF2にすべてまとめたい

現状のコード

Python

1import requests 2from bs4 import BeautifulSoup 3import urllib 4import pandas as pd 5 6#記事一覧ページにアクセス 7target_url = "https://job-medley.com/tips/?page=1" 8res = requests.get(target_url) 9soup = BeautifulSoup(res.text) 10 11#記事一覧からaタグを取得 12article_list = soup.select("a.c-article-list__body") 13 14#aタグからhref属性をリストに格納 15url_list = [] 16for mainpage_a in article_list: 17 href = mainpage_a.get("href") 18 url = urllib.parse.urljoin(target_url,href) 19 url_list.append(url) 20 21#記事のページにアクセス 22target_url = url_list[0] 23res = requests.get(target_url) 24soup = BeautifulSoup(res.text) 25 26#Head_Title 27head_title = soup.select_one("head title").text 28#Head_Description 29head_description = soup.find("meta",attrs={"name":"description"}).get("content") 30#記事URL 31article_url = url_list[0] 32#記事タイトル 33article_title = soup.select_one("div.o-article__heading").text 34#記事本文 35article_contet = soup.select_one("div.o-article__content").text.replace("\n","").replace("\r","").replace("\u3000","") 36#HTML 37html = soup.find_all("html") 38 39#辞書型にし、リストに格納 40d_list = [] 41 42d = { 43 "Head_Title":head_title, 44 "Head_Description":head_description, 45 "記事URL":article_url, 46 "記事タイトル":article_title, 47 "記事本文":article_contet, 48 "HTML":html 49} 50 51d_list.append(d) 52 53#csvへ出力 54df = pd.DataFrame(d_list) 55df.to_csv("test.csv", encoding="utf_8_sig",index=False)

イメージ説明

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。

guest

回答1

0

ベストアンサー

htmlの中身にカンマ(,)が含まれていませんか? csvはカンマでデータを区切るので、普通の文中などにカンマがあればそこで区切られてしまいます。
csvにこだわりがあるとかでなければ、to_excelの方が良いかもしれません。

違いました。エクセルの仕様に引っかかってるだけですね。

引用テキストExcel の仕様と制限

セルが含むことができる合計文字数
32,767 文字

投稿2021/02/23 06:38

編集2021/02/23 06:53
jeanbiego

総合スコア3966

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
85.36%

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