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!

ただいまの
回答率

88.93%

【PHP】同時に複数の仕様のスクレイピングをしたい

解決済

回答 2

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 1,849

tajix_japan

score 90

goutte.pharというライブラリを使いスクレイピングを考えています。

goutte.pharを使うと、下記のように書くだけで

http://www.example.com/form.php のボタンBtn1を押し、そこで表示された中から、<table name="small">にあるtdの各々のテキストを順番に全て取得可能です。

<?php
require_once 'goutte.phar';
$client = new \Goutte\Client();
// まずフォームのあるURLにアクセス
$crawler = $client->request('GET', 'http://www.example.com/form.php'');
// 「Btn1」というボタンクリックで送信されるフォームを選択
$form = $crawler->selectButton('Btn1')->form();
$crawler = $client->submit($form, array());
$crawler->filter("table.small td")->each(function ($node){
echo $node->text(); // プレーンテキストを取得
});
?>

【取得結果】
105-0004 東京都港区新橋1-2-3
105-0004 東京都港区新橋2-3-4
105-0004 東京都港区新橋4-5-6
105-0006 東京都港区芝1-23-3
105-0007 東京都港区芝5-20-1

また、下記のようにすると<table name="small">にあるaタグのついたテキストとURLの取得が可能です。

<?php
require_once 'goutte.phar';
$client = new \Goutte\Client();
// まずフォームのあるURLにアクセス
$crawler = $client->request('GET', 'http://www.example.com/form.php'');
// 「Btn1」というボタンクリックで送信されるフォームを選択
$form = $crawler->selectButton('Btn1')->form();
$crawler = $client->submit($form, array());
$crawler->filter("table.small a")->each(function ($node){
echo $node->attr('href'); // attr->('attribute') //URL取得
});
?>

【取得結果】
http://www.example.com/page1234.html
http://www.example.com/page1236.html
http://www.example.com/page1366.html
http://www.example.com/page1436.html
http://www.example.com/page1730.html

【やりたいこと】
aタグのついたURLとtd属性の文字を同時に取得したいです。別々に表示されるのではなく下記のようにそれぞれが対で表示されることが望ましいです。

http://www.example.com/page1234.html  105-0004 東京都港区新橋1-2-3
http://www.example.com/page1236.html  105-0004 東京都港区新橋2-3-4
http://www.example.com/page1366.html  105-0004 東京都港区新橋4-5-6
http://www.example.com/page1436.html  105-0006 東京都港区芝1-23-3
http://www.example.com/page1730.html  105-0007 東京都港区芝5-20-1

【試したこと】

<?php
require_once 'goutte.phar';
$client = new \Goutte\Client();
// まずフォームのあるURLにアクセス
$crawler = $client->request('GET', 'http://www.example.com/form.php'');
// 「Btn1」というボタンクリックで送信されるフォームを選択
$form = $crawler->selectButton('Btn1')->form();
$crawler = $client->submit($form, array());

$URL = $crawler->filter("table.small a")->each(function ($node){
echo $node->attr('href'); // attr->('attribute') //URL取得
}

$ADDRESS = $crawler->filter("table.small td")->each(function ($node){
echo $node->text(); // プレーンテキストを取得

});
?>

としてみたのですが、取れませんでした。
$crawler->filter("table.small a")->each(function ($node)あたりの記載方法を変えればよさそうと思っているのですが、いろいろ試しましたがうまくいきません。
どのように記載すれば両方を取得できるのか教えてください。

よろしくお願いいたします。

追記
有難うございます。
テーブルは下記となります。
name="small" ではなく class="small" でした。大変失礼いたしました。

<table  class="small">
<tr>
<td class="center ">
<a id="link" name="link" href="example.com/page1234.html">105-0003</a>
</td>
<td class="left " >
<div class="add">東京都港区新橋1-2-3</div>
</td>
</tr>
<tr>
<td class="center ">
<a id="link" name="link" href="example.com/page1299.html">105-0004</a>
</td>
<td class="left " >
<div class="add">東京都港区新橋5-6-7</div>
</td>
</tr>
</table>

  • 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

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    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。

質問への追記・修正、ベストアンサー選択の依頼

  • popobot

    2016/12/28 14:36 編集

    <table name="small">ないのtdとaがどのような構造なのか知りたいです。できればHTMLのサンプルとか載せてください。

    キャンセル

  • tajix_japan

    2016/12/28 15:08

    有難うございます。テーブルを追記してみました。よろしくお願いいたします。

    キャンセル

回答 2

+3

まず、回答ではないのですが、少し気になりましたので。。。

スクレイピングの開発を行うのであれば、
・まず自分のスクリプトをローカルテストする環境を手元に構築して下さい。
・スクレイピング先のサイトポリシーに違反していないか確認して下さい。
・スクレイピングにライブラリーを使用するのであれば、その挙動を理解して下さい。

今の質問の状況を見る限り、いずれも出来ていないと思います。
スクレイピングは、他の技術と違って、相手先のサイトに迷惑をかける可能性のある技術です。
十分な技術と、ローカルテストが必要です。

まずは、対象となるソースをローカルに保存し、それをどのように操作すれば、意図した挙動となるか確認できるようになりましょう。開発はそれからです。

今回の件、表示の話であれば、すでにオブジェクトは作られているので、単純に表現方法を考えれば良いです。
デバッグでもかけて、$node の中身を確認し、どう表現すれば良いか、組み立てれば完成です。
ちなみに<td>の抜き出しを私がやるのであれば、そもそもライブラリは使用せず、正規表現で抜き出します。

再度になりますが、スクレイピングは相手のサイトに負荷をかける技術であることを認識して、実行して下さい。

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。

checkベストアンサー

+1

以下のように一旦trでeachしてそれぞれを配列に入れて返すのはどうでしょうか

use Symfony\Component\DomCrawler\Crawler;

$html = '
<table  class="small">
<tr>
<td class="center ">
<a id="link" name="link" href="example.com/page1234.html">105-0003</a>
</td>
<td class="left " >
<div class="add">東京都港区新橋1-2-3</div>
</td>
</tr>
<tr>
<td class="center ">
<a id="link" name="link" href="example.com/page1299.html">105-0004</a>
</td>
<td class="left " >
<div class="add">東京都港区新橋5-6-7</div>
</td>
</tr>
</table>
';
$crawler = new Crawler();
$crawler->addHtmlContent($html);
$data = $crawler->filter('table.small tr')->each(function($tr) {
    return array(
        $tr->filter('td')->eq(0)->filter('a')->attr('href'),
        $tr->filter('td')->eq(1)->filter('div')->text()
    );
});
var_dump($data);

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。

  • 2016/12/28 17:37

    有難うございます。出来ました!!
    echo $node->filter('td')->eq(0)->filter('a')->attr('href');
    echo $node->filter('td')->eq(0)->filter('a')->text();
    echo $node->filter('td')->eq(1)->filter('div')->text();

    の形で思い描いていたものを取得することが出来ました。
    有難うございました。
    深く御礼申し上げます。

    キャンセル

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 88.93%
  • 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

関連した質問

同じタグがついた質問を見る