はじめに

ウェブスクレイピングとデータ処理を行いたい場合、Pythonが選ばれることが多いですが、Goでも同様のことが可能です。本記事では、ウェブスクレイピングとCSV書き込みのコードを1つ1つ丁寧に解説します。

この記事では以下を学べます：

GoでのHTTPリクエスト
GoでHTMLを解析する方法
データを整形しCSVファイルに保存する方法

Goに興味がある方に向けて、わかりやすく説明します！

実装手順

1. HTTPリクエストの送信

まず、GoでウェブページのHTMLを取得します。Goでは標準ライブラリnet/httpを使用します。

以下のコードで、指定したURLからHTMLデータを取得します。

resp, err := http.Get(url)
if err != nil {
    fmt.Printf("Failed to fetch the URL: %v\n", err)
    return
}
defer resp.Body.Close()

http.Get(url): 指定したURLからHTMLを取得
エラーハンドリング: Goではエラー処理が必須なので、err != nilでエラーをチェック
defer: 関数終了時にresp.Body.Close()を自動で実行

2. HTMLパース

Goではgoqueryを使用します。

以下のコードでHTMLを解析します。

doc, err := goquery.NewDocumentFromReader(resp.Body)
if err != nil {
    fmt.Printf("Failed to parse HTML: %v\n", err)
    return
}

goquery.NewDocumentFromReader: HTTPレスポンスをパースして、操作可能なオブジェクトを生成します。

3. データ抽出と整形

HTMLからテキストを抽出し、不要なスペースや改行を削除します。

以下のコードで、記事内容を取得します。

// 投稿テキストの抽出
var textBuilder strings.Builder
doc.Find(".post_txt p").Each(func(i int, s *goquery.Selection) {
    textBuilder.WriteString(strings.TrimSpace(s.Text()))
})
text := textBuilder.String()

// 不要なスペースや改行を削除
cleanedText := regexp.MustCompile(`\s+`).ReplaceAllString(text, "")

doc.Find(): CSSセレクタでHTML要素を指定。
Each: 各要素に対して処理を実行。
strings.Builder: テキストを効率的に結合。
regexp.MustCompile: 正規表現を使用してスペースや改行を削除。

4. 日付の解析

Goのtime.Parseを使います。

timeElement := doc.Find(".nichi_post_title h1").Text()
dateObj, err := time.Parse("2006年1月2日", timeElement)
if err != nil {
    fmt.Printf("Failed to parse date: %v\n", err)
    return
}

time.Parse: 日付フォーマットを指定して文字列を解析。
2006年1月2日: Goのtimeパッケージでは、フォーマット指定子に特定の日付 (2006-01-02) を使用します。

5. CSVにデータを保存

Goのencoding/csvパッケージを使用して、データをCSVファイルに保存します。

csvFile := "岩手日日新聞_日日草.csv"
file, err := os.OpenFile(csvFile, os.O_APPEND|os.O_CREATE|os.O_WRONLY, 0644)
if err != nil {
    fmt.Printf("Failed to open the CSV file: %v\n", err)
    return
}
defer file.Close()

writer := csv.NewWriter(file)
defer writer.Flush()

insertText := fmt.Sprintf("%d,%d,%d,%s", year, month, day, cleanedText)
err = writer.Write(strings.Split(insertText, ","))
if err != nil {
    fmt.Printf("Failed to write to CSV file: %v\n", err)
}

os.OpenFile: ファイルを開きます。存在しない場合は作成されます。
csv.NewWriter: CSVファイルに書き込むためのライターを生成。
writer.Write: 配列データを1行として書き込み。

完成したコード

ここまでの手順をすべて統合すると、以下のコードになります。

package main

import (
	"encoding/csv"
	"fmt"
	"net/http"
	"os"
	"regexp"
	"strings"
	"time"

	"github.com/PuerkitoBio/goquery"
)

func main() {
	url := "https://www.iwanichi.co.jp/nichinichiso/"

	// HTTPリクエスト
	resp, err := http.Get(url)
	if err != nil {
		fmt.Printf("Failed to fetch the URL: %v\n", err)
		return
	}
	defer resp.Body.Close()

	// HTMLパース
	doc, err := goquery.NewDocumentFromReader(resp.Body)
	if err != nil {
		fmt.Printf("Failed to parse HTML: %v\n", err)
		return
	}

	// 投稿テキストの抽出
	var textBuilder strings.Builder
	doc.Find(".post_txt p").Each(func(i int, s *goquery.Selection) {
		textBuilder.WriteString(strings.TrimSpace(s.Text()))
	})
	text := textBuilder.String()

	// 不要なスペースや改行を削除
	cleanedText := regexp.MustCompile(`\s+`).ReplaceAllString(text, "")

	// 日付の抽出
	timeElement := doc.Find(".nichi_post_title h1").Text()
	dateObj, err := time.Parse("2006年1月2日", timeElement)
	if err != nil {
		fmt.Printf("Failed to parse date: %v\n", err)
		return
	}

	year := dateObj.Year()
	month := int(dateObj.Month())
	day := dateObj.Day()

	// データフォーマット
	insertText := fmt.Sprintf("%d,%d,%d,%s", year, month, day, cleanedText)

	// CSVに書き込む
	csvFile := "岩手日日新聞_日日草.csv"
	file, err := os.OpenFile(csvFile, os.O_APPEND|os.O_CREATE|os.O_WRONLY, 0644)
	if err != nil {
		fmt.Printf("Failed to open the CSV file: %v\n", err)
		return
	}
	defer file.Close()

	writer := csv.NewWriter(file)
	defer writer.Flush()

	// データをCSVファイルに書き込む
	err = writer.Write(strings.Split(insertText, ","))
	if err != nil {
		fmt.Printf("Failed to write to CSV file: %v\n", err)
		return
	}

	fmt.Println("Data has been written to the CSV file.")
}

まとめ

Goを使うことで、Pythonとは異なるエラーハンドリングやパッケージの特性を学びながら、ウェブスクレイピングからCSV書き込みまで実装できました。Goの高速性や並行処理の特性を活かせば、さらに強力なアプリケーションが作れます。