ゆっくりに青空文庫を読んでもらう: コード改善編

前回はゆっくり(SofTalk)に辞書登録しつつ読み上げさせることに成功しました
今回は、勉強のために公式ドキュメントや関連する記事を読みつつ、前回のコードを改善していきます

図書カードからURL取得まで

改善したコード

aozora_urlsplit.py

import requests
from bs4 import BeautifulSoup
from urllib.parse import urljoin

def aozoraurl(base_url):
    page = requests.get(base_url)
    soup = BeautifulSoup(page.text, 'lxml')

    xhtml_relative_url = soup.select('table.download a[href*=".html"]')[0].get('href')
    zipdl_relative_url = soup.select('table.download a[href*=".zip"]')[0].get('href')

    xhtml_url = urljoin(base_url, xhtml_relative_url)
    zipdl_url = urljoin(base_url, zipdl_relative_url)

    return xhtml_url, zipdl_url

if __name__ == '__main__':
    print(aozoraurl("https://www.aozora.gr.jp/cards/000879/card85.html"))

Beautiful Soup 4

Beautiful Soup はHTMLやXMLファイルからデータを取得するPythonのライブラリです。
Beautiful Soup 4.2.0 Doc. 日本語訳より

BeautifulSoup コンストラクタにHTMLドキュメントを渡すことで、その構造を解析します

from bs4 import BeautifulSoup
soup = BeautifulSoup(page.content, 'lxml')

'lxml' はパーサ(構文解析器)を指定しています
HTMLパーサはPython標準(Batteries included)の html,parser , 高速な lxml , 非常に寛大な html5lib から選択できます
公式ドキュメントでは lxml が推奨されているようです

If you can, I recommend you install and use lxml for speed.
Beautiful Soup 4.9.0 documentation より

Requests

Requestsは、人が使いやすいように設計されていて、Pythonで書かれている Apache2 Licensed ベースのHTTPライブラリです。
Requests: 人間のためのHTTP より

requests.get() にURLを渡すことで、Response オブジェクトが返されます
Response の中身を取得するのには、.text と .content が使えます

公式ドキュメントより

import requests
r = request.get(URL)
r.content # バイナリデータを取得
r.text    # テキストデータを取得

……バイナリとテキストの違いがわからないのですが、ここ¹によるとHTMLやXMLには.text、画像やPDFには.contentだそうです

2種類のURL (XHTML / zip)取得

要素取得の方法は色々ありますが、CSSセレクターが一番汎用性があると思います。

If you want to search for tags that match two or more CSS classes, you should use a CSS selector:

公式ドキュメントより

css_soup.select("p.strikeout.body") 
# [<p class="body strikeout"></p>]

青空文庫図書カードのページからそれぞれのURLを取り出します
soup.select の返り値はlistであることに注意しましょう

xhtml_url = soup.select('table.download a[href*=".html"]')[0].get('href')
zip_url   = soup.select('table.download a[href*=".zip"]')[0].get('href')

urljoin

青空文庫図書カードのページから、それぞれのページへのリンクは相対リンクで記載されています
urljoin を用いて元のURLと合成し、絶対リンクに戻します

urllib.parse.urljoin(base, url, allow_fragments=True)
"基底 URL"(base)と別のURL(url)を組み合わせて、完全な URL ("絶対 URL") を構成します。
urllib.parse --- URL を解析して構成要素にする より

公式ドキュメントより

>>> from urllib.parse import urljoin
>>> urljoin('http://www.cwi.nl/%7Eguido/Python.html', 'FAQ.html')
'http://www.cwi.nl/%7Eguido/FAQ.html'

return a, b

複数の返り値(今回はURL2つ)を返したいときは、このように書くのが最も簡潔なようです

Pythonでは、単純にカンマ区切りでreturnするだけで文字列だろうが数値だろうがまとめて返せる。
Pythonの関数で複数の戻り値を返す方法 | note.nkmk.me より

この場合返り値はタプルになります。

XHTMLページからのルビ抽出まで

改善したコード

aozora_rubylist.py

from bs4 import BeautifulSoup
import requests
import jaconv

def aozoraruby(xhtml_url):
    page = requests.get(xhtml_url)
    soup = BeautifulSoup(page.content, 'lxml')

    _ruby = soup.select("ruby")

    _rubylist = [i.get_text().replace("）", "").split("（") for i in _ruby]

    for index, item in enumerate(_rubylist):
        _rubylist[index][1] = jaconv.kata2hira(item[1])
    
    return _rubylist

if __name__ == '__main__':
    print(aozoraruby("https://www.aozora.gr.jp/cards/000119/files/624_14544.html"))

ルビの抽出

青空文庫XHTML本文からrubyタグ以下の文字を抽出します
.select("ruby") が一番簡単だと思います

とりあえず取得した内容を確認します
.get_text() で文字列部分を抽出できますが、リストには適用できないのでfor文で回します

_ruby = soup.select("ruby")
for i in _ruby:
    print(i.get_text())

# 重（かさ）
# 死骸（しがい）
# 麻利耶（マリヤ）
# ︙

漢字（ルビ） の形で出力されます

ルビのリスト作成

取得したルビをリストにします。
単純な ["漢字（ルビ）", "漢字（ルビ）", ...] のリストでは使いづらいので、[["漢字", "よみがな"], ["漢字", "よみがな"], ...]の二次元配列を作成します

for文でリストを作成する際、これまではfor文の前で空リストを作成してそこに要素を追加していました
しかし、リスト内包表記という方法を使えば一文で作成できるようです ^{2 3}

x = [i.get_text().replace("）", "").split("（") for i in _ruby]
# [['重', 'かさ'], ['死骸', 'しがい'], ['麻利耶', 'マリヤ'],...]

カタカタをひらがなに

SofTalkに辞書登録するために、読み仮名がカタカナのものをひらがなにします
こちらのQiita記事によると、今回の用法ではjaconvが適しているようです

jaconv (Japanese Converter) はひらがな・カタカナ・全角・半角の文字種変換を高速に行います。 Pythonのみで実装されているので、Cコンパイラが使えない環境でも利用できます。
jaconv/README_JP.rst at master · ikegami-yukino/jaconv · GitHub より

for index, item in enumerate(_rubylist):
    _rubylist[index][1] = jaconv.kata2hira(item[1])
# [['重', 'かさ'], ['死骸', 'しがい'], ['麻利耶', 'まりや'],...]

1. What is the difference between 'content' and 'text'
   https://stackoverflow.com/questions/17011357/what-is-the-difference-between-content-and-text ↩

2. 内包表記を使ってリストの作成を簡潔に書く - Qiita
   https://qiita.com/tag1216/items/040e482f9844805bce7f ↩

3. リスト内包表記の使い方 | note.nkmk.me
   https://note.nkmk.me/python-list-comprehension/ ↩