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

90.33%

  • Ruby

    8213questions

    Rubyはプログラミング言語のひとつで、オープンソース、オブジェクト指向のプログラミング開発に対応しています。

  • 機械学習

    769questions

    機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

  • 自然言語処理

    138questions

    自然言語処理は、日常的に使用される自然言語をコンピューターに処理させる技術やソフトウェアの総称です。

スクレイピングで除外すべきタグについて

解決済

回答 1

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 1,110

uramot

score 14

現在テキスト分類器を作成しており、その際に疑問に思ったことについて質問したいと思います。
取得した文書を単語ごとにパースする際に、「var」「function」などのワードが多数含まれていることに気が付きました。この原因は、scriptタグの中身もパースためでした。
ほかにも、「ffffcc」などのstyleタグの中身も含まれていました。

このことから、scriptタグとstyleタグを除去してスクレイピングしたのですが、まだ「var」や「function」が多く含まれていました。単に文書中に出現しているだけなのかもしれませんが、他にもこのタグは除去したほうが良いというものはありますでしょうか?
スクレイピングする際には、bodyの中身だけを見ています。

補足:

ruby + nokogiriでスクレイピングしています。
用途としては、ナイーブベイズを使ったテキスト分類で使用するために、文書に出現する単語を取得しています。

doc.inner_text でタグ内のテキストのみを取得して処理をしています。

require 'nokogiri'
require 'open-uri'

html <<-EOS
<html>
<body>
  <div class='title'>
    <p><h1>Hello</h1> World</p>
  </div>
</body>
</html>
EOS
doc = Nokogiri::HTML(open(url).read)
doc.css('body').search('script').remove
doc.search('style').remove
body = doc.inner_text
puts body # Hello World
...
  • 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
    • 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。

回答 1

checkベストアンサー

+1

サイトのつくり方は人それぞれであり、
Webスクレイピングするのであれば、
マークアップ言語の知識がないとスムーズに開発できないと思います。

スクレイピング対象やアルゴリズムが不明なので、なんともいえませんが、
取得したDOMのdivタグに
<input type="button" onClick="var hoge=1; alert(hoge)">
みたいに書く人もいると思います。
その場合、
onClick内の文字列を取得しているのであれば、
varfunctionを拾うのではないでしょうか。

 追記

require 'open-uri'
require 'nokogiri'


def scrape url
  doc = Nokogiri::HTML.parse(open(url, &:read))

  doc.css('body').search('script, style').remove
  doc.css('body').text
end

p scrape('http://www.yahoo.co.jp/')

投稿

編集

  • 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。

  • 2017/01/27 13:19 編集

    ご回答ありがとうございます。ご指摘頂きまして、補足を追加いたしました。
    マークアップ言語の知識が必要となってくるのですね。ちなみに、このようなテキスト分類の場合は、一般的にこのタグは除去すべきというものはあるのでしょうか?

    キャンセル

  • 2017/01/27 16:29

    ぱっと思いつくのはimgとかcodeとかですかね。
    一応勧告ですが、動的に生成される要素はnokogiriだけでは取得できません。
    PhantomJSだったりcapybaraだったりを使用する必要があります。

    キャンセル

  • 2017/01/27 16:34

    すみません。追記内容ですが、
    styleの削除が行えていないこと。
    bodyではなくhtmlからtextを取得していること。

    を改善しています。

    キャンセル

  • 2017/01/27 16:36 編集

    追記ありがとうございます。
    とりあえず、imgとcodeも除去して試してみます。

    キャンセル

  • 2017/01/27 16:40

    消すタグが増えるようであればキーワードを配列化し、joinしたほうが見やすくなると思います。
    http://ref.xaio.jp/ruby/classes/array/join

    キャンセル

同じタグがついた質問を見る

  • Ruby

    8213questions

    Rubyはプログラミング言語のひとつで、オープンソース、オブジェクト指向のプログラミング開発に対応しています。

  • 機械学習

    769questions

    機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

  • 自然言語処理

    138questions

    自然言語処理は、日常的に使用される自然言語をコンピューターに処理させる技術やソフトウェアの総称です。