さくっとnode-fetch+node-html-parserでスクレイピングする

node-fetchでいいじゃん

もともとSeleniumとかPuppeteerとかPlayWrightで当然ながら合法的な範囲内でスクレイピングをしていました。しかし、golangでスクレイピングのスクリプトを書いたあとに、そもそもfetchでもいけるじゃないか、と気づきました。node-fetchで簡単にスクレイピングができるので記事にしてみました。

完成物

import fetch from 'node-fetch';
import { parse } from 'node-html-parser';

const main = async () => {
	const url = 'https://qiita.com/';
	const response = await fetch(url);
	const body = await response.text();
	const root = await parse(body);
	const h2s = root?.querySelectorAll('h2');
	h2s.forEach((element) => {
		const text = element.innerText;
		console.log({ text });
	});
};

main();

結果

{ text: 'Dockerコンテナのpostgresqlがマルウェアに感染した件について' }
{ text: 'Dockerfile ベストプラクティス／2022夏' }
{ text: '「技術記事って、別に書かなくてもよくないすか？」' }
{ text: 'TexTraの翻訳 APIをJavaScriptだけで取得する' }
{ text: '動的計画法の実例: QRコードの最適なエンコードを求める' }
{ text: '全Qiita民に見てほしい！岡田監督のメッセージ：「自ら考えて動く」チームを育てる、グローバル水準の組織作りのメソッド' }
{ text: '【祝!!無限増殖】寝てる間に話題のStable Diffusionが無限に動く仕組みを作ってみた' }
{ text: '6歳娘「ねぇ、パパ！このテストコード、Given-When-Then構文で可読性、高めてみない？」' }
{ text: '【入門】Python を書く前に知っておきたいデータ型のあれこれ' }
{ text: '[Power BI] 新DAX関数 EVALUATEANDLOG を試してみる🎉' }
{ text: '新人エンジニアが先輩に言われたこと4つ' }
{ text: 'Kubernetes 1.25: SIG-CLI (kubectl) の変更内容' }
{ text: 'Elixirで冪根を求めることを楽しむ' }
{ text: '【Windows】Raspberry Pi Pico Wの開発環境の構築とLチカ【Python】' }
{ text: 'ゆめみさんのインターンでモブになってきた話' }
{ text: 'システム運用作業で気を付ける事 まとめ' }
{ text: '僕が考えた最強の作業手順書' }
{ text: '【NestJS】マルチステージビルドでNestJSイメージのサイズを小さくする方法' }
{ text: '【CSS】画像のbefore・afterをスライドさせて、比較できるようなUIを作ってみた。' }
{ text: 'EC2→ECS移行の際に、本番環境へのデプロイにecspressoを用いた話' }
{ text: '【UiPath】バージョン「22.7」Previewリリースまとめ' }
{ text: 'Apple Silicon M2はM1シリーズと比べて命令セットが拡張されている' }
{ text: '【JavaScript】TABキーによる要素のフォーカス送りをグループ内でループさせる' }
{ text: 'Stable DiffusionをAWSのEC2インスタンスで動かすまでの手順' }
{ text: 'チーズのヘタと早すぎる抽象化' }
{ text: 'Unity+MagicOnionでメタバース空間を作ってみる（第二回）' }
{ text: 'Goの fs.FS をOSのファイルシステムにマウントしたい' }
{ text: 'MUI(旧Material-UI)の Container で最大横幅を設定する ～ヘッダーの幅固定もできるよ～' }
{ text: 'Python,Ruby,PHP,Java,JavaScript,Perlの条件分岐の比較' }
{ text: 'UiPath_エクセルでセルの色を塗りつぶしたいな～' }

ひとまずQiitaからh2タグのテキストを全部拾ってくるスクリプトです。あとは適宜Selectorを変更するなり処理してみてください。

あとはcookieが必要なときはcookieをたせます。とあるサイトで18歳以上かどうかを判定するcookieがあったときは
下記のように対応しています。

import fetch from 'node-fetch';
import { parse } from 'node-html-parser';

const main = async () => {
	const url = 'https://qiita.com/';
    const options = {
        headers: {
			cookie: 'over18=yes'
		}
	};
	const response = await fetch(url, options);
	const body = await response.text();
	const root = await parse(body);
	const h2s = root?.querySelectorAll('h2');
	h2s.forEach((element) => {
		const text = element.innerText;
		console.log({ text });
	});
};

main();

本当にJavaScriptが必要なサイト以外はこんな感じで軽くスクレイピングできます。ブラウザを起動しなくても良いので軽量ですね。