GASのParserスクレイピング　同一ページ内で抽出できる場合とできない場合がある

実現したいこと

LINELIVEという動画配信サービスのページ内で、フォロワー数を取得したいと考えています。

開発者ツールで確認したところ、下記コードで抽出したい数値が定義されていました。

HTML
1<p class="mdCMN12ImgOpt"><em>587,288</em>フォロワー</p>

例：
https://live.line.me/channels/290685

スクレイピング方法は下記Youtubeを参考にしました。
https://www.youtube.com/watch?v=o9yLU-V3NV0&t=131s

発生している問題

下記コードでうまく抽出できませんでした。

gas
1function getText(){
2  const url = "https://live.line.me/channels/290685"
3  let content = UrlFetchApp.fetch(url).getContentText()
4
5  let start ='<p class="mdCMN12ImgOpt"><em>'
6  let end ='</em>'
7
8  let getData = Parser.data(content).from(start).to(end).build()
9
10  console.log(getData)
11}

出力ログは下記の通りで、HTMLの先頭部分のようです。

log
1<!DOCTYPE html>
2<html lang="

別のタグではうまくいくのか確認するため、試しにstartとendを書き換え、同じページ内の冒頭部を取得してみると、下記の通りうまく取得できました。（目的のタグではない）
そのため、Parserライブラリは問題なく動いているようです。

gas
1function getText(){
2  const url = "https://live.line.me/channels/290685"
3  let content = UrlFetchApp.fetch(url).getContentText()
4
5  let start ='<meta property="og:site_name" content="'
6  let end ='">'
7  
8  let getData = Parser.data(content).from(start).to(end).build()
9
10  console.log(getData)
11}

log
1LINE LIVE（ラインライブ）| 国内最大級のライブ配信サービス

単純なテキスト抽出と考えているので、なぜ前者のコードでうまくいかないのか頭を抱えています。
よろしくお願いします。

行動規範の内容に同意します

回答2件

Google Cloud FunctionsにてPuppeteerを利用してスクレイピングすることが可能です。
スクレイピングしたデータは、Cheerio.gsライブラリを使うことで、jQuery的に内容を操作することが可能になります。

構築は最初は大変かもしれませんが、動的サイトのスクレイピングではPuppeteerは非常に有用なので、おすすめです。

参考URL:Google Apps Scriptでスクレイピングを極める

投稿2021/05/06 06:26

officeforest

総合スコア412

INUINU

2021/05/06 12:33

動的サイトのスクレイピングは今後もチャレンジしそうなので情報助かります！

行動規範の内容に同意します

ベストアンサー

ページのソースを開いてみると、<div id="app"></div>の様にコンテンツの中身が空になっています。
let content = UrlFetchApp.fetch(url).getContentText()で返ってきている内容を確認してみるとメニュー等含めて画面に表示されている内容が含まれていないことがわかります。

このことからメニュー等も含めてJavaScriptで動的にコンテンツを構成するようになっているようです。このようなサイトではヘッドレスブラウザ等を使ってブラウザの動作をエミュレートしてからデータを取得する必要があります。

GASから使えるものとしては、PhantomJSをクラウドから利用できるようにしたサービス(PhantomeJS Cloud)がありますが、PhantomJS自体が既に開発終了しているため推奨はしません。
実際に使ったことは無いので、詳しくはググってください。

投稿2021/05/04 16:52

編集2021/05/04 16:55