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%

正規表現でのスクレイピング

解決済

回答 5

投稿

  • 評価
  • クリップ 1
  • VIEW 1,613

naoyahige

score 7

phpを勉強し始め2ヶ月の初心者です。
練習に、スクレイピングサイトを作っているのですが、質問させてください。

とあるサイトから住所と電話番号をスクレイピングするサイトを作っているのですが、正規表現を利用しています。

if(preg_match ("/(東京都|北海道|京都府|大阪府|.{6,9}県)((?:四日市|廿日市|野々市|かすみがうら|つくばみらい|いちき串木野)市|(?:杵島郡大町|余市郡余市|高市郡高取)町|.{3,12}市.{3,12}区|.{3,9}区|.{3,15}市(?=.*市)|.{3,15}市|.{6,27}町(?=.*町)|.{6,27}町|.{9,24}村(?=.*村)|.{9,24}村)(.*)/",$url_data,$matches)){
  echo "住所 : ".$matches[0];
  }

このようなソースコードでスクレイピングをしているのですが、成功率が半々くらいです。
というのも、とあるサイトでは成功するのに、とあるサイトではなにも拾ってこない。
失敗したサイトのソースコードを取り出して、原因を正規表現チェッカーで細かく調べてみたところ、

「javascript:」 「style=」 「 onMousever」 「'」 「<link」
で止まっていました。

「style=」や「'」などは、当然、全てのサイトのソースコードにあると言えます。そして、スクレイピングに成功しているサイトにもあります。
なのになぜ、とあるサイトでだけ、止まってしまうのでしょうか。

御知恵を貸していただけませんでしょうか。

  • 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。

回答 5

+3

正規表現で住所かどうか判断するのはそうとう困難です
情報提供側は受け取り側が想定するパターンを踏襲するわけではありませんので
もしどうしてもというのであれば、全市町村名を羅列することですね
(それでも拾いすぎるでしょうけどね)

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。

  • 2017/04/19 12:01

    やはりそうなんですね。調べた結果そういう意見も多々ありました・・・。
    では他に住所を拾ってくるための方法とはどういうものがあるのでしょうか(すみません勉強不足で・・・)

    キャンセル

  • 2017/04/19 12:05

    すでに書いた通り全市町村名を羅列して、ヒットしたら住所とするしかないでしょう。
    誤爆やむなしです

    あえて正規表現で住所をチェックするとすれば、ユーザーフォームから送られてきた
    データをバリデートする場合などでしょう。
    それも都道府県の抜けをチェックする程度まででしょうけど。

    キャンセル

  • 2017/04/19 12:16

    結論は結局のところ、正規表現で住所を探すのには非効率的で限界がある、ということなんですね・・。
    方法自体を見直す必要がありますね、ありがとうございます!

    キャンセル

+1

 HTML文書内に文字列があるのか

「javascript:」 「style=」 「 onMousever」 「'」 「<link」で止まっていました。

「止まる」の意味が分かりませんが、CSSもしくはJavaScriptで出力しているからではないですか。
PHPは静的コンテンツを扱うので、例えば、file_get_contents でHTML文書を参照した場合、HTML文書上にない文字列は拾えません。
HTML文書に存在したとしても、script要素内やstyle要素内のcontentプロパティで指定されているのなら、該当言語で解析しなければなりません。

 正規表現

if (preg_match ("/(東京都|北海道|京都府|大阪府|.{6,9}県)((?:四日市|廿日市|野々市|かすみがうら|つくばみらい|いちき串木野)市|(?:杵島郡大町|余市郡余市|高市郡高取)町|.{3,12}市.{3,12}区|.{3,9}区|.{3,15}市(?=.*市)|.{3,15}市|.{6,27}町(?=.*町)|.{6,27}町|.{9,24}村(?=.*村)|.{9,24}村)(.*)/",$url_data,$matches)) {
  echo "住所 : ".$matches[0];
}

この正規表現が住所となる文字列が連続して存在していればマッチします。
つまり、住所となる文字列の間に余計な文字列があればマッチしません。

東京都<span style="color: red; background-color: white; padding: 0; margin: 0;">品川区〇〇</span>

上記文字列は.{3,9}区 によって、<span style="color: red; background-color: white; padding: 0; margin: 0;">品川区 をマッチさせようとしますが、文字長が9文字を超えるのでマッチしないでしょう。

東京都
品川区〇〇

上記文字列は「東京都」と「品川区」の間に改行がある為、.{3,9}区 ではマッチしないでしょう。

 マッチしない事が分かるHTML文字列

先述のようにマッチしない文字列は何パターンか考えられます。
「javascript:」 「style=」 「 onMousever」 「'」 「<link」は部分的なので、マッチしなかった周辺文字列を確認して、住所となる文字列がどのようにマークアップされているかを確認して対応して下さい。
自己解決が不可能ならその文字列を開示して下さい。

 著作権の問題

いずれにしても、スクレイピングは著作権侵害行為になりがちなので具体的なアドバイスをするのは気が引けますね…。

Re: naoyahige さん

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。

  • 2017/04/19 15:31

    2017/04/19 13:46の1,3番目の質問への回答もお願いします。

    キャンセル

  • 2017/04/21 10:04

    例えばこの企業様のサイトですね
    https://www.sorimachi.co.jp/co_info/information.asp

    キャンセル

  • 2017/04/21 10:09

    ページソースを見ると、
    155行目に東京都品川区東五反田3-18-6 ソリマチ第8ビルとあります。
    これが抜き出したいのですが、
    26行目の「'」や20行目の「<link」などで正規表現が止まってしまいます

    ソースコードを丸ごとコピーして、これらの20行目や26行目の原因文字(まだ複数ある)を除けばきちんと住所を拾ってくれました。

    キャンセル

0

HTMLの構造を有意に活用できないのなら、まずタグを全部とっぱらってから、本文だけスクレイピングするほうがいいのではないかと思います。

幸い、PHPにはstrip_tagsという標準関数があります。

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。

  • 2017/04/19 12:03

    !!
    それも考えたんですが、全部のタグを取り除くコードなんて何行になってしまうんだ!と諦めていました。
    そんな関数があったのですね、早速試してみます、ありがとうございます。

    キャンセル

0

逆説的に、
例えば日本郵便のサイトに掲載されている郵便番号データベースから
実在する住所のデータベースを加工して生成して、
それとマッチングをかけるのも手かもしれません。

所詮、正規表現にはまらないパターンが出てきたら漏れるのが当たり前なので、
狙いたい住所を拾える正規表現を編み出すのに時間を割かずに、
実在する住所のデータベースから攻めた方がゴールは近いような気がしました。

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。

  • 2017/04/19 12:14

    そういう考え方もあるのですね・・!
    まだデータベースについてはほんの少ししか学習できていないので、想像ができないのですが、
    実現可能そうかどうか調べてみることにします、ありがとうございます!

    キャンセル

  • 2017/04/19 19:20

    ざっくりとデータベースって書きましたが、厳格にRDBMSのことではなく、
    CSVファイルとか分かる範囲のやり方で持てばいいと思います。

    キャンセル

check解決した方法

-4

解決いたしました。
文字コードのエンコードがうまくできていなかったため起きた不具合でした。

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。

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