質問編集履歴
1
完成コード追記
test
CHANGED
|
File without changes
|
test
CHANGED
|
@@ -64,8 +64,110 @@
|
|
|
64
64
|
|
|
65
65
|
-->
|
|
66
66
|
|
|
67
|
+
```
|
|
67
68
|
|
|
68
69
|
|
|
69
70
|
|
|
71
|
+
# できました<3
|
|
72
|
+
|
|
73
|
+
[jun68ykt](https://teratail.com/users/jun68ykt)様のアドバイスのおかげで解決しました。`text =` で指定できるとは(≧▽≦) ありがとうございますヽ(｀▽´)/
|
|
74
|
+
|
|
75
|
+
|
|
76
|
+
|
|
77
|
+
```python
|
|
78
|
+
|
|
79
|
+
from bs4 import BeautifulSoup
|
|
80
|
+
|
|
81
|
+
import requests
|
|
82
|
+
|
|
83
|
+
import re
|
|
84
|
+
|
|
85
|
+
"""
|
|
86
|
+
|
|
87
|
+
privacy policyまたはプライバシーポリシー、個人情報がサイトにあるか。
|
|
88
|
+
|
|
89
|
+
あればTrueなければFalse
|
|
90
|
+
|
|
91
|
+
"""
|
|
92
|
+
|
|
93
|
+
import warnings
|
|
94
|
+
|
|
95
|
+
warnings.filterwarnings('ignore')
|
|
96
|
+
|
|
97
|
+
|
|
98
|
+
|
|
99
|
+
def get_html():
|
|
100
|
+
|
|
101
|
+
"""
|
|
102
|
+
|
|
103
|
+
- bs4, requestsが必要
|
|
104
|
+
|
|
105
|
+
スクレイピングするならこの関数を最初に使う
|
|
106
|
+
|
|
107
|
+
指定したURLのhtml文書を整列して.htmlに保存。
|
|
108
|
+
|
|
109
|
+
ページからタグを除去して全テキストを抽出。
|
|
110
|
+
|
|
111
|
+
用途: スクレイピングをするときにファイル構造を見る
|
|
112
|
+
|
|
113
|
+
"""
|
|
114
|
+
|
|
115
|
+
r = requests.get("https://www.oreilly.co.jp/index.shtml")
|
|
116
|
+
|
|
117
|
+
r.encoding = r.apparent_encoding
|
|
118
|
+
|
|
119
|
+
html_doc = r.text
|
|
120
|
+
|
|
121
|
+
soup = BeautifulSoup(html_doc)
|
|
122
|
+
|
|
123
|
+
|
|
124
|
+
|
|
125
|
+
html1 = open('Oreilly.html', 'w')
|
|
126
|
+
|
|
127
|
+
html1.write(soup.prettify())
|
|
128
|
+
|
|
129
|
+
html1 = soup.prettify()
|
|
130
|
+
|
|
131
|
+
|
|
132
|
+
|
|
133
|
+
text1 = open('Oreilly.text', 'w')
|
|
134
|
+
|
|
135
|
+
text1.write(soup.get_text())
|
|
136
|
+
|
|
137
|
+
text1 = soup.get_text()
|
|
138
|
+
|
|
139
|
+
|
|
140
|
+
|
|
141
|
+
"""
|
|
142
|
+
|
|
143
|
+
以下からは需要に応じてオプション
|
|
144
|
+
|
|
145
|
+
プライバシーポリシー系を探す
|
|
146
|
+
|
|
147
|
+
Privacy policy、プライバシーポリシー、個人情報
|
|
148
|
+
|
|
149
|
+
"""
|
|
150
|
+
|
|
151
|
+
|
|
152
|
+
|
|
153
|
+
pattern = r"privacy policy|個人情報|プライバシーポリシー"
|
|
154
|
+
|
|
155
|
+
|
|
156
|
+
|
|
157
|
+
with open('Oreilly.html') as f:
|
|
158
|
+
|
|
159
|
+
soup = BeautifulSoup(f.read(), 'lxml')
|
|
160
|
+
|
|
161
|
+
|
|
162
|
+
|
|
163
|
+
for link in soup.findAll('a', text=re.compile(pattern, re.IGNORECASE)):
|
|
164
|
+
|
|
165
|
+
print(link['href'])
|
|
166
|
+
|
|
167
|
+
|
|
168
|
+
|
|
169
|
+
|
|
170
|
+
|
|
171
|
+
get_html()
|
|
70
172
|
|
|
71
173
|
```
|