はじめに

はてブにimport.ioというスクレイピングツールが紹介されている。
http://b.hatena.ne.jp/entry/nelog.jp/import-io
このツールを使うことができればスクレイピング用のコードを記述しなくともデータの取得ができる。
ウェブサービス版だけでなくアプリケーション版についても少しだけ使ってみたのでノウハウを書き出しておく。
例がひどいかもしれないがそこは気にしてはいけない。

ウェブサービス版とアプリケーション版の違い

ウェブサービス版

登録などもなく簡単に使える
ページ内に複数のリストがある場合はどこが取得されるか分からない
- このページをウェブサービス版のスクレイピングをかけると以下の様な取得結果となる

アプリケーション版

アプリケーションのインストールが必要
アカウントの登録が必要(githubやgoogleのアカウントでOK)
スクレイピングルールをAPIとして登録できる
APIを複数のウェブページに適応し、それをまとめて実行し、1つのCSVとしてDLできる

アプリケーション版のインストール

import.ioのpricingからダウンロード後、インストールするだけである。
アカウントも必要になるが登録、利用は無料である。

アプリケーション版について

概要

アプリケーション版で行うことはスクレイピングルールであるAPIを作成し、
それを対象となるウェブページに適応することである。

目的

.lainの作品別のページ(こことかこことか)にAPIを実行し、以下の様なデータの取得を目指す。

title	media	start_date	chara	cv
アイドルマスターシンデレラガールズ	TVアニメ	2015年1月9日	島村卯月	大橋彩香
アイドルマスターシンデレラガールズ	TVアニメ	2015年1月9日	渋谷凛	福原綾香
…	…	…	…	…
聖剣使いの禁呪詠唱	TVアニメ	2015年1月11日	灰村諸葉	石川界人
聖剣使いの禁呪詠唱	TVアニメ	2015年1月11日	嵐城サツキ	竹達彩奈
…	…	…	…	…

APIの新規作成

MyData画面からNewと書いてあるセレクトボックスを選択することで新しいAPIを作成できる。

Magicはウェブサービス版で使われている機能と同じで細かい設定をすることができない。
そこで今回はExtractorを選択してより詳しいルールのAPIを作成する。
ちなみにClassic ExtractorとAuthenticated Extractorについてはまだよく分かっていない。

APIの実装については動画やヘルプを参考にしながら行うと良い。
丸投げしているようであるが筆者もまだ分かっていないところが非常に多いため、そちらのほうが確実である。
ここで自動取得モードが適応できれば非常にラッキーである。
ちなみに筆者は確実に行うために、CSSやJSを切って、取得したい部分を2行以上ドラッグで選択というまどろっこしい手段を用いたりした。
なおスパナボタンであるadvanced setting内でxpathやregexを用いて指定することができるため、奥の手としてこれを用いることも出来る。