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
85.48%
Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

XPath(XML Path)

XML Path Language (XPath; XMLパス言語)は、マークアップ言語 XML に準拠した文書の特定の部分を指定する言語構文の事をいいます。XPathはXMLとは別の構文を使用します。XMLドキュメントの抽象、論理ストラクチャ上で動作します。

Q&A

0回答

2787閲覧

動的に遷移するページをスクレイプするには?

HRK99

総合スコア8

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

XPath(XML Path)

XML Path Language (XPath; XMLパス言語)は、マークアップ言語 XML に準拠した文書の特定の部分を指定する言語構文の事をいいます。XPathはXMLとは別の構文を使用します。XMLドキュメントの抽象、論理ストラクチャ上で動作します。

0グッド

0クリップ

投稿2016/10/12 03:02

Python3.5でウェブページをスクレイプするスクリプトを組んでいます。
現在Forbes.comのページをうまくスクレイプできません。

http://www.forbes.com/sites/julianmitchell/2016/09/27/this-startup-uses-drones-to-map-and-manage-massive-construction-projects/print/

理由としては、

  • クリックするとスプラッシュページに強制的にリダイレクトされる。

http://www.forbes.com/forbes/welcome/?toURL=http://www.forbes.com/sites/julianmitchell/2016/09/27/this-startup-uses-drones-to-map-and-manage-massive-construction-projects&refURL=&referrer=

このページが挟まれているため、以下のコードではスプラッシュページから情報を取得してしまいます。

Python

1import lxml.html 2from selenium import webdriver 3 4target_url = 'http://www.forbes.com/sites/julianmitchell/2016/09/27/this-startup-uses-drones-to-map-and-manage-massive-construction-projects/' 5driver = webdriver.PhantomJS() 6driver.get(target_url) 7root = lxml.html.fromstring(driver.page_source) 8 9content = str(root.xpath('//div[@article-injected-body ng-scope"]/p[position() >= 1 and position() <= last()]/text()')) 10 11 12print(content)
  • 印刷専用のページにアクセスしようとすると、通常のページに強制的にリダイレクトされる。

Forbesの記事のページはJSで生成されるため、上記ではPhantomJSとSeleniumを使っています。
しかし、2ページめ以降にまたがる記事も一度に取得するために、印刷専用ページを使おうと思いました。

クリックしてみると、記事URL+/print/ という作りになっていたので、冒頭に貼り付けたURLをターゲットURLとしようとしています。(印刷専用ページはJSをベースではありません。)

このURLを直接たたこうとすると、通常の記事ページにリダイレクトされてしまいます。

ちなみにxpathは以下のように表現しましたがだめでした。

python

1root.xpath('//div[@class="body_inner"]/p[position() >= 1 and position() <= last()]/text()'))

質問としてはこうした動的に遷移する、リダイレクトするページの作りを乗り越えて、記事ページから記事だけを抜き出すにはどのようにアプローチしていけばいいでしょうか?

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

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

まだ回答がついていません

会員登録して回答してみよう

アカウントをお持ちの方は

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
85.48%

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