正規表現でのスクレイピング

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。

行動規範の内容に同意します

回答5件

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2017/04/19 02:57

yambejp

総合スコア114829

naoyahige

2017/04/19 03:01

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・・・）

yambejp

2017/04/19 03:05

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。

naoyahige

2017/04/19 03:16

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！

行動規範の内容に同意します

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

PHP
1if (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)) {
2  echo "住所 : ".$matches[0];
3}

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…。

ウェブスクレイピング - Wikipedia

Re: naoyahige さん

投稿2017/04/19 03:09

編集2017/04/19 04:45

think49

総合スコア18162

naoyahige

2017/04/19 03:13

例えば、３０行目に「東京都品川区◯◯◯」と目的の住所があるのに拾えずに、正規表現チェッカーで原因を調べると、１０行目の「style=」のせいでpreg_matchが作動しなくなっていた、という意味です。わかりにくくてすみません！おっしゃる通り、file_get_contentsでサイトのURLを丸ごと読み込んでからpreg_matchしてます。

think49

2017/04/19 03:21

style=はHTMLの属性内文字列で「東京都品川区◯◯◯」はいわゆるテキストノードとしての文字列ですから全く関係ない位置にありますよね。それで止まる原因が分かりません。「東京都<span>品川区◯◯◯」ならマッチしませんし、間に改行や別の文字が入っていてもマッチはしませんが、そういう状況にも受け取れません。「東京都品川区◯◯◯」はHTML文書内に存在する文字列ですか。具体的に「マッチしないHTML文字列」は何ですか。「マッチしないHTML文字列」を抜き出してテストしたら問題が再現されますか。ところで、著作権の問題は大丈夫なのでしょうか。

think49

2017/04/19 03:30 編集

ひょっとして、「東京都<span style="">品川区◯◯◯」で止まるという意味ですかね。 ((?: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) で消費できなければ、当然止まりますね。繰り返すようですが、著作権の問題についても返答をお願いします。

naoyahige

2017/04/19 03:39

> style=はHTMLの属性内文字列で「東京都品川区◯◯◯」はいわゆるテキストノードとしての文字列ですから全く関係ない位置にありますよね。それで止まる原因が分かりません。なのでその原因をお聞きしたくて質問させていただいてます。著作権について住所、電話番号は企業が公表してもいいとしている情報なので公開している情報です。それ以外はスクレイピングしていません。それに加え、私はローカルサーバだけでスクレイピングしているので（あくまで自己学習なので）、拾ってきた情報をwebに公開していませんし、公開するつもりもありません。スクレイピング自体をアクセス禁止しているサイトからは当然スクレイピングできていませんが、それは当然、そのままにしています。以上のことから、良しと判断しております。

think49

2017/04/19 04:06 編集

著作権の件は分かりました。先にも書きましたが、 style= では部分的に過ぎるのでマッチしない事が再現可能な「完全な文字列」を開示して下さい。

think49

2017/04/19 04:46

親記事を編集しました。 > 「東京都品川区◯◯◯」はHTML文書内に存在する文字列ですか。 > 具体的に「マッチしないHTML文字列」は何ですか。 > 「マッチしないHTML文字列」を抜き出してテストしたら問題が再現されますか。こちらの回答もお願いします。

naoyahige

2017/04/19 05:39

スクレイピングに失敗した企業様のソースのうちの１つを具体例としてここに開示してもいいものなんでしょうか？従業員数とか取締役とか資本金とか住所とかいっぱい書いてあるのですが・・・

think49

2017/04/19 06:30

それは公開情報ですよね。全てのソースを開示する必要はなく、マッチしたい住所を含む周辺の文字列が開示されれば十分だと思います。もしくは、URLを開示して下さい。

think49

2017/04/19 06:31

2017/04/19 13:46の1,3番目の質問への回答もお願いします。

naoyahige

2017/04/21 01:04

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

naoyahige

2017/04/21 01:09

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。

行動規範の内容に同意します

自己解決