【Pythonスクレイピング】Google検索結果TOP3を自動抽出する

• プログラミング歴45日の素人が書いています。ご注意ください。

#注意

スクレイピングは利用方法によってはスクレイピング先のサーバに異常な負荷がかかります。
場合によってはグレー、違法となる可能性がありますのでご注意ください。

#はじめに

【想定】WEBメディア運営の一貫として、あるキーワードに対してどんな記事が人気があるのかを調べます。

• 「goodkeyword」（https://goodkeyword.net） を使うと、あるキーワードに関連する検索ワードが100件出てきます。

• 100件の検索キーワードについて、Googleで検索した時のhit上位3件を自動で取得して、CSVにまとめます。

##環境

• MacBookAir-mid2014

• macOS-Mojave

• Python 3.7.4

#Googleキーワードで人気のありそうな関連キーワードを調べる

「goodkeyword」（https://goodkeyword.net） を使うと、あるキーワードに関連する検索ワードが100件出てきます。

コピーしてCSVにまとめます。

CSVにコピペする。

#Pythonでスクレイピングする

import requests
from bs4 import BeautifulSoup

with open('keys.csv', encoding='shift_jis') as csv_file:
    with open('result.csv','w') as f:

        for keys in csv_file:
            result = requests.get('https://www.google.com/search?q={}/'.format(keys))
            soup = BeautifulSoup(result.text, 'html.parser')
            list = soup.findAll(True, {'class' : 'BNeawe vvjwJb AP7Wnd'})
            
            for i in range(3):
                a = str(list[i]).strip('<div class="BNeawe vvjwJb AP7Wnd">')
                result_title = a.strip('</')
                keyword = keys.rstrip("\n")
                f.write('{0},{1}\n'.format(keyword, result_title))

---
#target divs example
    # <div class="BNeawe vvjwJb AP7Wnd">フィリピン人女性5つの特徴
    # <div class="BNeawe vvjwJb AP7Wnd">フィリピン人 - Wikipedia

コードが汚いのは素人なのでかんべんしてください。

##ライブラリのimport

import requests
from bs4 import BeautifulSoup

「requests」と「BeautifulSoup」をインポートします。

##CSVファイルの準備

with open('keys.csv', encoding='shift_jis') as csv_file:
    with open('result.csv','w') as f:

• keys.csvには、検索キーワードが１行づつ入っています。

• result.csvは、ディレクトリに存在しなければ自動で作成されます。

##HTMLデータの取得

for keys in csv_file:
    result = requests.get('https://www.google.com/search?q={}/'.format(keys))
    soup = BeautifulSoup(result.text, 'html.parser')
    list = soup.findAll(True, {'class' : 'BNeawe vvjwJb AP7Wnd'})

• CSVファイルの中身を１行づつ取り出して、変数keysに格納します。（これが検索キーワード）

• GoogleのURL末尾に検索キーワードを代入して、getリクエストを送ります。

• 取得したデータをBeautifulSoupがHTMLとして扱えるようにしてくれます。

• さらにそこから、ターゲットとなるクラスをもつdivとクラスを指定して抜き出します。

###複数のクラスを指定してfindAllする

複数のクラスを指定してfindAllするためには、

soup.findAll(True, {'class' : 'BNeawe vvjwJb AP7Wnd'})

のように書きます。
True指定して、第二引数にリストを渡すと、&&指定になります。

###クラスが変わる？

同じURLでアクセスしているにも関わらず、ブラウザに表示されるHTMLと、requestsで取得するHTMLが違っていました。

↓ブラウザでは、<h3 class="LC20lb">が検索結果のタイトルになっている

ターミナルで確認すると、<div class="BNeawe vvjwJb AP7Wnd">に変わっている
（わかるかた教えていただきたいです）

##加工してCSVに書き込む

for i in range(3):
      a = str(list[i]).strip('<div class="BNeawe vvjwJb AP7Wnd">')
      result_title = a.strip('</')
      keyword = keys.rstrip("\n")
      f.write('{0},{1}\n'.format(keyword, result_title))

• 今回は上位3件だけを抽出するので、range(3)で設定して各キーワードについて３回づつループを回してCSVに出力します。

• find_allメソッドで抜き出したデータにはdivタグが含まれていますので、これをstripメソッドで取り除きます。

• keys.csvにもともと入っている検索キーワードには、不要な改行\nが含まれているので、これもrstripメソッドで取り除きます。rstripメソッドは文字列を右から削除するメソッドです。

• writeメソッドでresult.csvに書き込んで終了です。

#エクセルなどで確認する

以下のように出力されています。

テキストエディタでみると、1行につき、コンマで区切られた状態になっています。

#まとめ

• CSVファイルに入っている検索キーワード100件で検索し、各検索結果のTOP3を新しいCSVファイルにまとめました。

*　複数のクラスを指定してfindAllすることもできます。

• CSVファイルは１行ごとに改行が入る（当たり前だけど）ので、rstripで取り除く。