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!

新規登録して質問してみよう
ただいま回答率
85.48%
スクレイピング

スクレイピングとは、公開されているWebサイトからページ内の情報を抽出する技術です。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

Q&A

0回答

602閲覧

pythonスクレイピングの文字途切(日経新聞)

windestor

総合スコア0

スクレイピング

スクレイピングとは、公開されているWebサイトからページ内の情報を抽出する技術です。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

0グッド

0クリップ

投稿2022/06/20 07:07

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。

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MY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。

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

CHERRY

2022/06/20 07:37

スクレイピングや記事複製の許可を取ってるか不明なのでコードの回答はつきにくいと思います。 表示される内容は、Webブラウザで会員ログインしていない状態で該当URLにアクセスした際に表示される内容(後半が省略された内容)と同じではありませんか?
windestor

2022/06/23 04:43

仰る通りログインしていない状態でURLにアクセスした際に表示される内容と同様でした。 ずっとログインした状態でやっていたので気づきませんでした。 許可に関しては、ログインして行っているので問題ないであろうとあまり考えていませんでした。 少し調べてみます。
guest

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

まだ回答がついていません

会員登録して回答してみよう

アカウントをお持ちの方は

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
85.48%

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る

質問する

関連した質問