日経新聞からNY債券というタイトルがついた記事を対象にスクレイピングしています。
「URL」,「タイトル」,「日付」,「内容」を取ってこようとしているのですが、内容(以下:out_content)が途切れてしまいます。
途切れてしまう理由について、わかる方がいればご教示いただけないでしょうか。
import requests from bs4 import BeautifulSoup import numpy as np import pandas as pd import time import sys # Search condition search_word = 'NY債券' # Search url target_url='https://r.nikkei.com/search?keyword='+search_word+'&volume=‘5‘' html = requests.get(target_url) time.sleep(5) # BeautifulSoup soup = BeautifulSoup(html.content, 'html.parser') # Article's title sel1 = soup.find_all("h3",attrs={"class":"nui-card__title"}) # Article datetime sel2 = soup.find_all("div",attrs={"class":"nui-card__meta"}) # Result output out_number = [] #枝番 out_url = [] #URL out_title = [] #タイトル out_datetime2 = [] #日付 out_content = [] #内容 if len(sel1) != len(sel2): sys.exit() for i in range(0, len(sel1)): cnt = str(i+1) out_url_temp = sel1[i].a.get("href") #findallしたものの中からhref属性値取得:URL out_title_temp = sel1[i].a.get("title") #findallしたものの中からtitle属性値取得:タイトル out_datetime = sel2[i].time.get("datetime") #findallしたものの中からdatetime属性値取得:日付 out_number.append(cnt) #枝番/追加 out_url.append(out_url_temp) #URL/追加 out_title.append(out_title_temp) #タイトル/追加 out_datetime2.append(out_datetime) #日付/追加 # Target page/内容を取得 html1 = requests.get(out_url_temp) time.sleep(3) soup1 = BeautifulSoup(html1.content, 'html.parser') # Article content sel12 = soup1.find_all('p', class_ = 'paragraph_p15tm1hb') content_str = [j.text for j in sel12] out_content.append(content_str) print(out_number[i]) # print(out_datetime2[i]) # print(out_url[i]) # print(out_title[i]) # print(content_str[i]) # print(content_str) # out_content.append(content_str) # Result output resdata = np.vstack([out_number, out_datetime2, out_title, out_url, out_content]) df = pd.DataFrame(data=resdata).T df.to_csv('result_'+search_word+'.csv', header=False, index=False, mode='a') print("done!")
出力結果はサイトの権利の関係上控えますが、毎回出力結果「out_content」が文章の途中で途切れてしまいます。それを最後まで表示できるよう改良したいです。お手数おかけしますが、よろしくお願いいたします。
あなたの回答
tips
プレビュー