PythonによるWebスクレイピング-入門編、その2 - テキストのスクレイピング

Webスクレイピングの学習が進みました。今回はテキストのスクレイピングまで学習しました。

テキストデータの取得

ページからテキストを抜き出す処理を行います。このページから講師情報を取得します。

#ユーザーネームの要素を取得
elem_username = browser.find_element_by_id("name")
elem_username.text

#所属企業
elem_company = browser.find_element_by_id("company")
elem_company.text

#生年月日
elem_birthday = browser.find_element_by_id("birthday")
elem_birthday.text

#出身地
elem_come_from = browser.find_element_by_id("come_from")
elem_come_from.text

#hobby
elem_hobby = browser.find_element_by_id("hobby")
hobby = elem_hobby.text

#replaceを使って改行コードをコンマに変える
hobby02 = hobby.replace("\n",",")
hobby02

テキストデータの一括取得

テーブルから一括でテキストデータを取得する方法を考えます。
thタグに必要なテキストがが含まれているので、タグ名を使って複数の要素を取得します。

#thの要素を取得 - 一番最初の要素のみが取得される
elem_thtext = browser.find_element_by_tag_name("th")
elem_thtext.text

#複数要素を一括取得 - thタグとなっている要素全て取得する（list型で表示）
elem_thtext = browser.find_elements_by_tag_name("th")
elem_thtext

#取得した要素
for i in range(0, len(elem_thtext)):
    print(elem_thtext[i].text)

#取得した要素をリストに
keys = []
elem_thtext = browser.find_elements_by_tag_name("th")

for elem_th in elem_thtext:
    text = elem_th.text
    keys.append(text)

print(keys)

テーブルのキー側が取得できたので、次はバリュー側を取得します。

#tdの方を取得する
elem_tdtext= browser.find_elements_by_tag_name("td")
elem_tdtext

#取得した要素
for i in range(0, len(elem_tdtext)):
    print(elem_tdtext[i].text)
    
#取得した要素をリストに
values = []
elem_tdtext = browser.find_elements_by_tag_name("td")

for elem_td in elem_tdtext:
    text = elem_td.text
    values.append(text)

print(values)

CSVにして出力

スクレイピングしたテキストをCSVファイルにして出力します。
データフレームの作成にはPandasを用います。Pandasは2次元データの作成とその入力・出力に向いているライブラリーです。

import pandas as pd
df=pd.DataFrame()

df["項目"] = keys
df["値"] = values
df

#csvに出力(インデックスは無し)
df.to_csv("講師情報.csv", index = false)

次回は画像データのスクレイピングについて学習します。