実現したいこと

いつもお世話になっております。

画像の赤枠で囲ったclass属性値である「Type Type04」を抽出したいのですが、うまくできません。

試したコード

url = 'https://race.netkeiba.com/race/newspaper.html?race_id=202305020504&rf=shutuba_submenu'
browser.implicitly_wait(3)
browser.get(url)


dataindex_list = ["//*[@data-index='{}']".format(i) \
      for i in range(len(browser.find_elements(By.CSS_SELECTOR, "dl.HorseList")))]#各レースにおける頭数
list_1 = []
list_2 = []
list_3 = []
list_4 = []

for dataindex in dataindex_list:
    #horse_idを抽出
    elem_urls = []
    elem = browser.find_element(By.XPATH, dataindex)
    elems = elem.find_elements(By.CLASS_NAME, 'Horse02')
    for elem in elems:
        elem_urls.append(elem.find_element(By.TAG_NAME, 'a').get_attribute('href'))
        horse_id = []
        for elem_url in elem_urls:
            elem_url = re.findall(r'\d+', elem_url)
            horse_id.append(elem_url[0])
            elem = browser.find_element(By.XPATH, dataindex)
            horse_id = horse_id * len(elem.find_elements(By.CLASS_NAME, 'Data01')) #前走の数だけhorse_idを取得
    list_1.extend(horse_id)

    #馬が走ったrace_idを抽出
    elem = browser.find_element(By.XPATH, dataindex)
    elems = elem.find_elements(By.CSS_SELECTOR, "span.RaceName")
    elem_urls = []
    for elem in elems:
        elem_urls.append(elem.find_element(By.TAG_NAME, 'a').get_attribute('href'))

    race_id_list = []
    for elem_url in elem_urls:
        elem_url = re.findall(r'\d+', elem_url)
        race_id_list.append(elem_url[0])
    list_2.extend(race_id_list)
    
    #前半3Fタイムを抽出
    elem = browser.find_element(By.XPATH, dataindex)
    elems = elem.find_elements(By.CSS_SELECTOR, "span.Data19")
    row = []
    for elem in elems:
        text = elem.text
        text = re.findall(r'\d+\.\d+', text)
        text = "".join(text)
        row.append(text)
    list_3.extend(row)
    
    #脚質をスクリーニング
    elem = browser.find_element(By.XPATH, dataindex)
    elems = elem.find_elements(By.CSS_SELECTOR, '.Horse06.fc')
    div_class = []
    for elem in elems:
        div_class = elem.find_element(By.CSS_SELECTOR, 'div.Type').get_attribute('class')
        div_class = div_class[-1] #Type Type01だったら1のみ抽出
    list_4.extend(div_class)
    list_4 = [list_4[0]] * len(list_1)
    
    df = pd.DataFrame()
    df['horse_id'] = list_1
    df['race_id'] = list_2
    df['前半'] = list_3
    df['脚質'] = list_4

上のコードで試しました。しかし、horse_id毎に1～4の脚質にしたいのですが、脚質がすべて同じになってしまいます（画像参照）。

htmlについて

<dl class="HorseList" data-index="0" id="past_tr_8"> 　<dt class="Horse_Info orderfix" style="width: 179.52px;"> 　　<dl class="fc"> 　　　<dt class="Horse06 fc"> 　　　　<div class="Type Type01"> 　　　　　::after 　　　　</div>

htmlについては上のような感じですhttps://race.netkeiba.com/race/newspaper.html?race_id=202305020412 の左側にある馬名欄にある◀印のものを抽出したいです。
dl classのdata-indexは馬名毎に番号が変わり、div classのTypeは◀の位置によってType01～04が付与させています。

行動規範の内容に同意します

回答3件

いろいろとコードをいじってたら、やりたいことができました！
コメントいただいたお二人に感謝申し上げます。

投稿2023/05/13 13:49

cheriraoka

総合スコア42

ベストアンサー

クラスが Horse06 fc である要素の配下にある、クラスが Type Type04 である div要素を取得するのは下記の様なコードでできるかと思います。

elem_urls = []
elems = driver.find_elements(By.CSS_SELECTOR, '.Horse06.fc')
for elem in elems:
    type04 = elem.find_elements(By.CSS_SELECTOR, 'div.Type.Type04')
    if len(type04) > 0:
        elem_urls.append(type04)

投稿2023/05/12 16:17

編集2023/05/13 04:22

meg_

総合スコア10767

cheriraoka

2023/05/13 01:48

回答ありがとうございます。いただいたコードを基に下記のコードを試しましたがエラーが出てしまいました。elemsまではきちんとできているようですが、クラスが Horse06 fc である要素の中には、Type04だけでなくType01~03の属性もあるため抽出できていないからだと思っていますが、for文で回せばいけますか。お知恵を貸していただけるとありがたいです。 elem_urls = [] elems = browser.find_elements(By.CSS_SELECTOR, '.Horse06.fc') for elem in elems: elem_urls.append(elem.find_element(By.CSS_SELECTOR, 'div.Type.Type04'))

meg_

2023/05/13 02:28

htmlをテキストで質問に追記いただければ検証できるかと思います。

cheriraoka

2023/05/13 03:18

htmlをテキストで追記しました。不足あればご指摘ください。何卒よろしくお願い申し上げます。

cheriraoka

2023/05/13 08:09

回答ありがとうございます。いただいたコードを参考に、質問の「試したコード」に記載したコードで試しましたが、うまくいきませんでした。 horse_id毎に別の脚質にしたいのですが、脚質がすべて同じになってしまいます（質問の画像参照）。

meg_

2023/05/13 08:19

> いただいたコードを基に下記のコードを試しましたがエラーが出てしまいました。エラーについては解消されたのでしょうか？ > horse_id毎に別の脚質にしたいのですが、脚質がすべて同じになってしまいます（質問の画像参照）。これはスクレイピングの問題でしょうか？スクレイピングでの値の取得自体は出来ているのでしょうか？そこからおかしいのでしょうか？問題の切り分けをした方が良いかと思います。

cheriraoka

2023/05/13 09:40

エラーについては解消しました。 div_class = [ ]で定義したリストに入ってくる値が同じであること、list_1~3に入る数は同じであるのに脚質が最終的に入るlist_4だけ数が異なることから、スクレイピングの問題と思っています。

meg_

2023/05/13 09:47

> list_4 = [list_4[0]] * len(list_1) 上記コードの処理は意図通りになっていますか？

cheriraoka

2023/05/13 10:08

コードの最後でlist_1~4をそれぞれデータフレームに入れる際に、list_4のみ、list_1~3と長さが違ったので無理やりこちらの処理をしました。ただ、後で考えましたが、list_4の長さが他と違う時点でうまくlist_4のスクレイピングができていないと気づきました。

meg_

2023/05/13 11:39

"脚質"の情報はそもそも必ず存在するものなのでしょうか？（そのサイト（ページ）の構成上の話です）

cheriraoka

2023/05/13 12:15

存在します。

meg_

2023/05/13 13:05

> コードの最後でlist_1~4をそれぞれデータフレームに入れる際に、list_4のみ、list_1~3と長さが違ったので無理やりこちらの処理をしました。どこでリストの長さが合わなくなってしまったのかデバッグする必要があるかと思います。最初の質問内容と異なってきたようですので問題を整理して別の質問を建てられた方が良いかもしれません。

cheriraoka

2023/05/13 13:12

ありがとうございます。いったんこちらはクローズして、整理でき次第再度質問させていただきます。

行動規範の内容に同意します

画像の赤枠で囲ったclass属性値である「Type Type04」を抽出したいのですが、うまくできません。

とお書きですが、コードをみると、属性値を抽出したいのではなくて、属性値を指定して要素を抽出したいと言うことでしょうかね？

class属性が複数ある場合は、CSSセレクターの書き方としてはピリオドでつないで書きます。
find_element(By.CSS_SELECTOR, 'div.Type.Type04'))

'div.Type Type04'と書くと、Type04はタグ名と解釈されます。div.Typeの子孫のType04タグですね。そんなタグはそこに無いと思いますが。

コメントを見ての追記

コメントの前半がよくわかりませんが、.Horse06.fcの下に、div.Typeの要素が必ずただ1つだけあるが、その要素のclass属性を調べたいと言うことですかね？
であれば、

Javascript
1elems = browser.find_elements(By.CLASS_NAME, 'Horse06 fc')
2for elem in elems:
3    div_class = elem.find_element(By.CSS_SELECTOR, 'div.Type').get_attribute('class')
4    div_class に "Type Type01" のような文字列が入るので、
5    2つ目のクラス名を取りたければ、div_class.split()[1] とかで分離して、
6    それを使ってやりたい処理をする

投稿2023/05/12 15:57

編集2023/05/13 04:05

otn

総合スコア85978

cheriraoka

2023/05/13 01:45

回答ありがとうございます。やりたいこととしては、上の画像で「div.Type.Type04」と表示されている◀を抽出したいと思っています。しかし、この◀は4マスのうち、どこに入るかによって「div.Type.Type01～div.Type.Type04」で分かれるため、◀の位置によって01～04という数字で抽出できないかと考えていました。タグで囲まれている箇所は「::after」になっており、抽出が難しいと考えたためこのように考えていました。いただいたコードを基に下記のコードを試しましたがエラーが出てしまいました。elemsまではきちんとできているようですが、Type04だけでなくType01~03の属性もあるため抽出できていないと考えているのですが、いかがでしょうか。 elem_urls = [] elems = browser.find_elements(By.CSS_SELECTOR, '.Horse06.fc') for elem in elems: elem_urls.append(elem.find_element(By.CSS_SELECTOR, 'div.Type.Type04'))

otn

2023/05/13 03:50 編集

まず、「エラーが出てしまいました」と書かれてもエラーメッセージが残ってないのでは、コメントのしようが無いです。エラーメッセージは失うくことなく必ず確保しましょう。あとはコードがあるので、回答に追記しておきます。

cheriraoka

2023/05/13 08:15

回答ありがとうございます。回答のコードを参考に、質問の「試したコード」に記載したコードで試しましたが、うまくいきませんでした。 horse_id毎に別の脚質にしたいのですが、脚質がすべて同じになってしまいます（質問の画像参照）。回答いただいたコードは「試したコード」に記載したコードのうち、「#脚質をスクリーニング」という箇所に記載しました。horse_id毎にrace_idと前半はうまくスクレイピングできているのに、脚質だけ同じになる原因がわかりません。。。

行動規範の内容に同意します

あなたの回答