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

88.91%

Python スクレイピング

解決済

回答 2

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 2,291

kawa-kami

score 20

[実現したい事]
Python/スクレイピング初心者です。毎日コツコツ勉強しています。
スクレイピングにてあるサイトからBeautifulsoupもしくは正規表現を使用して指定の箇所を抜き出したいと思っております。 
指定サイト:http://ranking.rakuten.co.jp/daily/564500/ 
抜き出したい部分:レビュー件数の数字だけを全て抜き出したいと思っております。(※レビューの数値のコンマを抜かした状態で)

[発生している問題・エラーメッセージ]
下記のコードを書いて実行し、レビュー(●●●●件)ここまでは抜き取りが完了したのですが()内の数字の取り出し方がわかりません。


from urllib.request import urlopen
from bs4 import BeautifulSoup
html = urlopen('http://ranking.rakuten.co.jp/daily/564500/')
bsObj = BeautifulSoup(html,'html.parser')
for review in bsObj.findAll("div",{"class":"rnkRanking_starBox"}):
print(review.text.replace(',', ''))


また、正規表現で
import re
m = re.match('[^\d]*(\d+).*$', 'レビュー(335件)')
print(m.groups())
こうやって記載すると(‘335’,)ここまでは出るのですが、
なぜ()がついてきてしまうのか、またこのコードをどうやって上のコードに組み込むのかがわからず悪戦苦闘しております。

[依頼/質問]
1、()内の数値の抜き出し方を教えて頂けないでしょうか。(ページ内全て、コンマ抜き)
2、上記コードを実行時に改行スペースが多くできてしまうのですが、すっきりできないでしょうか(改行部分をなくしたいです)

皆様お忙し中すいません。。
上記教えて頂けますと幸いです。

よろしくお願い致します。

  • 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 2

checkベストアンサー

+2

for review in bsObj.findAll("div",{"class":"rnkRanking_starBox"}):
    link_tag = review.find('a')
    soup_string = str(link_tag)
    review_count = soup_string[soup_string.find("(")+1:soup_string.find("件)")]
    review_count = review_count.replace(',', '')
    print (review_count)

自分ならこんな感じにします。

print(review.text.replace(',', ''))


上記コードで改行が多くなるのはreview.textには空文字を含むdiv要素も含まれているからですね。
あとbsObjから返ってくるオブジェクトはbs4.element.Tagクラスなので正規表現などで扱いたい場合str()で文字列へ変換してやる必要があります。

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。

  • 2017/05/13 20:26

    空文字を含むdiv要素が多いと改行が多くなるのですね。参考になります。
    文字列への変換の必要性に気付けておりませんでした。ありがとうございます。上記コード、無事に希望の形で抜け出せておりました。感謝です。ありがとうございます!
    この土日で上記コードを1つ1つ分解して理解しようと思います。
    とても助かりました。
    ありがとうございます。

    キャンセル

0

for review in bsObj.findAll("div", {"class": "rnkRanking_starBox"}):
    print(review.get_text(strip=True).strip('レビュー(件)').replace(',', ''))

自分だったら

.get_text(strip=True)
get_textでタグ内のテキストを取得、strip=Trueで前後の空白文字を除去

.strip('レビュー(件)')
前後の数字以外の文字を除去
※「レ」「ビ」「ュ」「ー」「(」「件」「)」1文字ずつ削除するイメージです。
.lstrip('レビュー(')
.rstrip('件)')
も一緒です。

.replace(',', '')
コンマを除去

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 88.91%
  • 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