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!

新規登録して質問してみよう
ただいま回答率
85.37%
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。

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

1769閲覧

ダウンロードしたフォルダ内の複数あるhtmファイルをスクレイピングしたい。

mari_mo7

総合スコア2

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。

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2021/07/10 16:56

前提・実現したいこと

ダウンロードしたフォルダ内の複数あるhtmファイルをスクレイピングしたいです。
globで取得したテキストファイルをもとにスクレイピングするのですがどうしても
最後の行にあるフォルダパスのhtmファイルのみしかデータを取得できません。
詳しいかたどうかご教授いただけますでしょうか。

該当のソースコード

#対象フォルダのhtmファイルをテキストデータで出力
files1 = glob.glob('D:/Python/Download/X/t/' +str(year) +'/' +str(month) +'/' +str(day) +'/Data/A/.htm')
files2 = glob.glob('D:/Python/Download/X/t/' +str(year) +'/' +str(month) +'/' +str(day) +'/Data/S/
.htm')
files = files1+files2
print(files)
#リストをファイルに書き込む
with open('D:/Python/Download/CSV/k/url.txt', encoding='utf-8', mode='w') as f0:
for d in files:
f0.write("%s\n" % d)
#テキストデータからURLを抽出する
with open('D:/Python/Download/CSV/k/url.txt', encoding='utf-8') as f:
url = f.read().splitlines()

htmをオープン

for lsPath1 in url:
f1 = open(lsPath1, encoding="utf-8")

htmをbeautifulSoupでスクレイピング

soup = bs4.BeautifulSoup(f1.read(), "html.parser")

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

python

1for lsPath1 in url: 2 f1 = open(lsPath1, encoding="utf-8") 3 soup = bs4.BeautifulSoup(f1.read(), "html.parser") 4 5 # その他の処理

インテンドがよくわからないので、こうなっていますか?

python

1for lsPath1 in url: 2 f1 = open(lsPath1, encoding="utf-8") 3soup = bs4.BeautifulSoup(f1.read(), "html.parser") 4 5 # その他の処理

こうなっていませんか?

投稿2021/07/10 17:29

toshikawa

総合スコア388

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。

mari_mo7

2021/07/10 17:47 編集

ご回答ありがとうございます。すみません、インデントは以下になっております。 for lsPath1 in url:   f1 = open(lsPath1, encoding="utf-8")   soup = bs4.BeautifulSoup(f1.read(), "html.parser")
toshikawa

2021/07/10 17:53

結果をリスト等にいれていないので、上書きされていっているのではないでしょうか?
mari_mo7

2021/07/11 07:47

確かに、、上書きの可能性もあるかもしれません。リストを用意して試してみます。
mari_mo7

2021/07/11 11:32 編集

全体のインデントを見直した結果、全てのhtmを取得できました。 大変助かりました。有り難うごさいます。
guest

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
85.37%

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