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

90.50%

  • Ruby

    7680questions

    Rubyはプログラミング言語のひとつで、オープンソース、オブジェクト指向のプログラミング開発に対応しています。

  • Ruby on Rails

    7277questions

    Ruby on Railsは、オープンソースのWebアプリケーションフレームワークです。「同じことを繰り返さない」というRailsの基本理念のもと、他のフレームワークより少ないコードで簡単に開発できるよう設計されています。

  • スクレイピング

    336questions

スクレイピングできるサイトとできないサイトがある

解決済

回答 2

投稿

  • 評価
  • クリップ 0
  • VIEW 773

renren643

score 197

スクレイピングをできるサイトとできないサイトがあります。
例えばヤフーの記事一覧を取得するなら、
1、記事一覧の一番上の記事を検証し、css(xpath)を抜き出す
2、記事一覧の2番目の記事を検証し、css(xpath)を抜き出す
3、#topicsfb > div.topicsindex > ul.emphasis > li:nth-child(1) > a と#topicsfb > div.topicsindex > ul.emphasis > li:nth-child(1) > a
が出てきたとすると、共通部分だけを抜きだし、くり返し処理する。
つまり、この場合だと
nth-child(記事の順番)のところを抜き出し #topicsfb > div.topicsindex > ul.emphasis > li > aとする。(以下、実際のコード)

require "open-uri"
require "nokogiri"

url = "https://www.yahoo.co.jp/"

user_agent = 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/28.0.1500.63 Safari/537.36'
charset = nil
html = open(url, "User-Agent" => user_agent) do |f|
  charset = f.charset
  f.read
end

doc = Nokogiri::HTML.parse(html, nil, charset)
 doc.css('#topicsfb > div.topicsindex > ul.emphasis > li > a').each do |node|
   puts node.text
 end


この場合はうまく行ったのですが、
同様のやり方で、やってみるとできないサイトがあります。
(このサイトの記事は、#post-9999 > div > header > h2 > a 、#post-9998 > div > header > h2 > aなど、数字の部分が記事によってことなっていたため、#post> div > header > h2 > aとした。このサイトはこのやり方ではできませんでした。)

doc = Nokogiri::HTML.parse(html, nil, charset)

 doc.css('#post > div > header > h2 > a').each do |node|
   puts node.text
 end


この二つのサイトでは何がちがうのでしょうか?
もしくは、私のやり方に不備があるのでしょうか?

  • 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
    • 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

+4

プログラムは自分が書いた通りにしか動きません。
上手く行かないのは基本的に自分のやり方が間違っていると思ってください。
nokogiriの前にスタイルシートの理解が不足しているように思います。
#post#post-9999はまったく違うので、一致するはずがありませんよね?

いきなり全部やろうとせずに1つずつやってみると良いです。
まずは、doc.css('#post') でどうなるか試そうと考えるわけです。
p doc.css('#post') を実行すると、id="post"の要素しかヒットしない事が分かるはずです。

この時点で、このアプローチ=やり方が間違っている事が分かります。

cssでは正規表現は使えません。
しかし、これはrubyなのでうまくcssの指定方法とrubyの機能を組み合わせばいいのです。

以下に例を示します。

例えば、こういう記事のdivがあったとして、まとめてループで処理したい場合、さきほどの説明で分かるように異なるIDをcssの指定では直接取れません。

<div id="post-1">...</div>
<div id="post-2">...</div>
<div id="post-3">...</div>

そこで、まずはdiv全部を取得してループで回しながら、idがpost-数字にマッチするかどうかチェックして
マッチしないものはスキップするという風にします。

require 'nokogiri'

html =<<HTML
<html>
<head>
  <title>テスト</title>
</head>
<body>

<div>ダミー</div>
<div id="post">id数字なし</div>

<div id="post-1"><h2>記事1</h2></div>
<div id="post-2"><h2>記事2</h2></div>
<div id="post-3"><h2>記事3</h2></div>

</body>
</html>
HTML

doc = Nokogiri::HTML.parse(html)
doc.css('div').each do |div|
  unless div.attributes.key?('id') && div.attributes['id'].value =~ /\Apost-([0-9]+)\z/
    next
  end

  puts div.css('h2').text
end

これを実行すると、このように出力されます。

記事1
記事2
記事3

このようにスクレイピングはパズルのように考えて工夫する事が必要です。

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。

  • 2017/09/30 21:53

    回答ありがとうございます。確かに、言われてみればidって固有のものなので、それを壊したら取得できませんよね。。。このように、普遍的かつ、理由も明確に間違えを指摘していただけると大変
    助かりますし、とても勉強になりました。ありがとうございます。

    キャンセル

  • 2017/09/30 21:57

    下の方の回答のようにxpathで検索する方法ならば、postという文字を含むidという条件を指定できます。
    cssの場合は、そういう事が出来ないというだけなので、状況に応じて使い分けてもいいですし、
    今回の回答のように、ちょっと工夫すればそれほど大変でもないのでcssだけでやるのもありですね。

    キャンセル

0

require 'nokogiri'

html = <<-EOS
<html>
<head>
  <title>テスト</title>
</head>
<body>

<div>ダミー</div>
<div id="post">id数字なし</div>

<div id="post-1"><h2>記事1</h2></div>
<div id="post-2"><h2>記事2</h2></div>
<div id="post-3"><h2>記事3</h2></div>

</body>
</html
EOS

doc = Nokogiri::HTML.parse(html)

doc.xpath('//div[contains(@id, "post-")]').each do |node|
  puts node.xpath('h2').text
end


出力例

記事1
記事2
記事3


mingos様のコードを一部引用。
参考:xpathまとめ

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。

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 90.50%
  • 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

  • Ruby

    7680questions

    Rubyはプログラミング言語のひとつで、オープンソース、オブジェクト指向のプログラミング開発に対応しています。

  • Ruby on Rails

    7277questions

    Ruby on Railsは、オープンソースのWebアプリケーションフレームワークです。「同じことを繰り返さない」というRailsの基本理念のもと、他のフレームワークより少ないコードで簡単に開発できるよう設計されています。

  • スクレイピング

    336questions