初めてスクラピングやっています
このURL [https://www.jpx.co.jp/listing/stocks/new/nlsgeu000005bzt3-att/03Broad-Minded-Outline.pdf]のデータを表に入れ込みたいです。仕事上で頻繁にやる作業なので自動化をはかりたい。
import pdfplumber
import re
import requests
from bs4 import BeautifulSoup
from datetime import datetime as dt
import pandas as pd
url = 'https://www.jpx.co.jp/listing/stocks/new/nlsgeu000005bzt3-att/03Broad-Minded-Outline.pdf'
def download_file(url):
local_filename = url.split('/')[-1]
with requests.get(url) as r:
with open(local_filename, 'wb') as f:
f.write(r.content)
return local_filename
ap = download_file(url)
ap
with pdfplumber.open(ap) as pdf:
page = pdf.pages[0]
text = page.extract_text()
print(text)
for line in text.split('\n'):
print(line)
el_num = line.split()
print(el_num)
ここまで何とかググりながらたどり着いたが、この後はもうわかりません。ヒントなど教えていただければと思います。
例えば 最初の行を二つのセルに分けたいです
- 会 社 名 2. ブロードマインド株式会社
2列のデータフレームを作れたらいいと思います
splitをかけた後、1文字づつになっているものが1列目 複数で一塊になっているのが2列目でしょうがreの使い方をイマイチわからない
どうぞよろしくお願いします
-
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
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。
- 質問回答など一定の行動
-
メールアドレスの認証
メールアドレスの認証
-
質問評価に関するヘルプページの閲覧
質問評価に関するヘルプページの閲覧
+1
中点が文字化けするので、手抜きの処理です。
import pdfplumber
import re
import requests
import pandas as pd
items = '''会 社 名
( 英 訳 名 )
上 場 予 定 日
市 場 区 分
既 上 場 市 場
代 表 者 の 役 職 氏 名
本 店 所 在 地
Tel
(最寄りの連絡場所)
ホームページアドレス
設 立 年 月 日
事 業 の 内 容
業 種 別 分 類.*コ ー ド
銘 柄 略 称
銘 柄 順 位
発 行 可 能 株 式 総 数
発 行 済 株 式 総 数
上場時発行済株式総数
資 本 金
1 単 元 の 株 式 数
事 業 年 度
定 時 株 主 総 会
基 準 日
剰余金の配当の基準日
株 主 名 簿 管 理 人
監 査 人
幹 事 取 引 参 加 者'''
item_list = items.split('\n')
item_list2 = item_list.copy()
item_list2[12] = '業 種 別 分 類 コ ー ド'
url = 'https://www.jpx.co.jp/listing/stocks/new/nlsgeu000005bzt3-att/03Broad-Minded-Outline.pdf'
def download_file(url):
local_filename = url.split('/')[-1]
with requests.get(url) as r:
with open(local_filename, 'wb') as f:
f.write(r.content)
return local_filename
ap = download_file(url)
ap
with pdfplumber.open(ap) as pdf:
page = pdf.pages[0]
text = page.extract_text()
#print(text)
i = 0
contents = []
for line in text.split('\n')[4:]:
item = item_list[i]
m = re.match('('+item_list[i]+')(.+)', line)
if m:
contents.append([m.groups()[1].strip()])
i = i+1
if i >= len(item_list):
break
else:
contents[-1].append(line.strip())
df = pd.DataFrame({'items':item_list2, 'contents':['\n'.join(x) for x in contents]})
実行結果は以下です。
>>> print(df)
items contents
0 会 社 名 ブロードマインド株式会社
1 ( 英 訳 名 ) (Broad-Minded Co.,Ltd.)
2 上 場 予 定 日 2021年3月26日
3 市 場 区 分 マザーズ
4 既 上 場 市 場 なし
5 代 表 者 の 役 職 氏 名 代表取締役社長 伊藤 清
6 本 店 所 在 地 〒150‐0022 東京都渋谷区恵比寿南一丁目5番5号
7 Tel 03‐6859‐8358
8 (最寄りの連絡場所) (同上)
9 ホームページアドレス https://www.b-minded.com/
10 設 立 年 月 日 2002年1月9日
11 事 業 の 内 容 個人及び法人向けに保険代理店業、住宅ローン代理業、金融商品仲介\n業、宅地建物取引業に係るソ...
12 業 種 別 分 類 コ ー ド 保険業・7343(新証券コード(ISIN)JP3831510007)
13 銘 柄 略 称 M-ブロードマインド
14 銘 柄 順 位 M-アイペットHDの次位
15 発 行 可 能 株 式 総 数 18,280,000株
16 発 行 済 株 式 総 数 4,570,000株(2021年2月19日現在)
17 上場時発行済株式総数 5,170,000株\n(注)1.公募分を含む。\n2.新株予約権の権利行使により増加する可...
18 資 本 金 283,790千円(2021年2月19日現在)
19 1 単 元 の 株 式 数 100株
20 事 業 年 度 4月1日から3月31日
21 定 時 株 主 総 会 毎事業年度終了後3ヵ月以内
22 基 準 日 3月31日
23 剰余金の配当の基準日 9月30日、3月31日
24 株 主 名 簿 管 理 人 三菱UFJ信託銀行㈱
25 監 査 人 太陽有限責任監査法人
26 幹 事 取 引 参 加 者 みずほ証券㈱
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。
0
天下の日本取引所が提出させるデータ。
どの法人を見てもフォーマットはきっちり固まってるみたい(どの項目が並んでいるか、が法人によりほとんどバラつきがない)なんで、
まずは
coporation = line.replace("会 社 名","").lstrip()
とかでちまちまやった方が楽なんじゃないでしょうか。
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。
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 88.21%
- 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
2021/02/24 19:00
contents = []
for line in text.split('\n’)[6:]:
item = item_list[i]
m = re.match('('+item_list[i]+')(.+)', line)
if m:
contents.append([m.groups()[1].strip()])
i = i+1
if i >= len(item_list):
break
else:
contents[-1].append(line.strip())
df = pd.DataFrame({'items':item_list2, 'contents':['\n'.join(x) for x in contents]}) でいけません。またもアドバイス頂ければありがたいです