質問編集履歴
1
【試してみたこと】を追記しました。
title
CHANGED
|
File without changes
|
body
CHANGED
|
@@ -1,7 +1,7 @@
|
|
|
1
1
|
こんにちは。Pythonでスクレイピングを行っています。
|
|
2
2
|
例えば
|
|
3
3
|
https://medium.com/cotinetwork/coti-newsletter-september-20th-a9cac08e22df
|
|
4
|
-
こちらの記事で本文だけを抽出したいのです。
|
|
4
|
+
こちらの記事で「本文だけ」を抽出したいのです。
|
|
5
5
|
|
|
6
6
|
htmlを見ると、
|
|
7
7
|
|
|
@@ -13,7 +13,15 @@
|
|
|
13
13
|
hy hz ct ia b ib ic id ie if ig ih ii ij ik il im in io ip iq ir is it iu iv cl dq
|
|
14
14
|
なのは分かるのですが、これをbeautiful soupを用いて取得することはできますでしょうか？
|
|
15
15
|
|
|
16
|
+
【試してみたこと】
|
|
17
|
+
①contents = soup.find_all('p', class_="hy hz ct ia b ib ic id ie if ig ih ii ij ik il im in io ip iq ir is it iu iv cl dq")
|
|
18
|
+
で本文の取得自体はできます。しかし、このクラス名自体を自動でpythonで取得できるようにしたいのです。
|
|
16
|
-
a = soup.select("body > div > div > div:nth-child(3) > article > div > div > section > div:nth-child(3) > div > p")
|
|
19
|
+
②a = soup.select("body > div > div > div:nth-child(3) > article > div > div > section > div:nth-child(3) > div > p")
|
|
17
|
-
などのCSS参照も考えてみたのですが、ブログごと/記事ごとに階層構造が異なるため、うまい参照方法が思いつきません。
|
|
20
|
+
などのCSS参照も考えてみたのですが、ブログごと/記事ごとに階層構造が異なるため、うまい参照方法が思いつきません。
|
|
21
|
+
③feedparserも試してみました。
|
|
22
|
+
feeds.entries[0].content
|
|
23
|
+
により、本文をタグ付きで取得することができましたが、<figure><li><img>タグなど余計な要素が入るため、これは消したいです。したがって、beautifulsoupの方が効率的かなと思っています。
|
|
18
24
|
|
|
25
|
+
どうぞお知恵をお貸しください。beautifulsoup以外のライブラリを用いても構いません。
|
|
26
|
+
|
|
19
27
|
宜しくお願いします。
|