【python】スクレイピングメモ1~ジュラシックワールドの恐竜のサイズを取得~

スクレイピングとは

ウェブサイトから情報を取得し、その情報を加工して新たな情報を生成すること。

１．指定したwebページの情報を表示

import requests
from bs4 import BeautifulSoup
# Webページを取得して解析する

load_url = "https://www.jurassicworld.jp/books/"
html = requests.get(load_url)
soup = BeautifulSoup(html.content, "html.parser")

# HTML全体を表示する
print(soup)

実行結果

２．タグから情報取得

指定のタグなどの情報を表示するには

• find(文字列)
• find(タグ名)
• find(id="id名")
• find(class_="class名")　※classは予約語のため、class_とかく

aタグのリンクを取得する場合やimgタグのsrcを取得する場合

• find("a").get("href")
• find("img").get("src")

３．特定のクラスの情報を取得

dino_ttl = soup.find(class_="archive__item")   # classが「archive__item」の範囲の要素を検索

# dino_ttl内でclass="archive__ttl"の情報を表示
print(dino_ttl.find(class_="archive__ttl").text)
# dino_ttlでaタグ内のリンクを表示
print(dino_ttl.find("a").get("href"))

実行結果

• リンクが相対アドレスになっている
• 条件(classが"archive__ttl")を満たす最初の1つ目のデータしか表示できない

４．取得したいウェブページの構成

①恐竜図鑑

②個々の恐竜をクリックして情報が表示

５．恐竜図鑑から、各恐竜の個人情報(サイズ、画像のバス)を抜き出そう

find_all :全てのタグの情報を検索
urllib.parse.urljoin(ベースURL,調べるURL):相対URL(調べるURL)を絶対URLに変換
strip():前後の空白文字を削除

# idがcontentで検索し、その中のすべてのarchive__ttlを検索して表示する
con_ttl = soup.find(id="content")    # idが「content」を検索
for element in con_ttl.find_all(class_="archive__item"):
    # その中のarchive__ttlの文字列を表示
    dino_name=element.find(class_="archive__ttl").text.strip()
    print('★'+dino_name+'★')
    #恐竜の画像のパス
    dino_img=element.find("img").get("src")
    #恐竜の画像の絶対パス
    dino_img=urllib.parse.urljoin(load_url,dino_img)
    print(dino_img)
    #archive__item内のリンク先を取得
    link_dino=element.find("a").get("href")
    #リンクの絶対パスを取得する
    link_dinolng=urllib.parse.urljoin(load_url,link_dino)
    #個別の恐竜ページに飛ぶ
    dino_html = requests.get(link_dinolng)
    print(link_dinolng)
    soup2 = BeautifulSoup(dino_html.content, "html.parser")
    idx0=link_dino.find(".html")
    #id=link_dinoから.htmlを除いたものを検索
    soup2_uniq=soup2.find(id=link_dino[0:idx0])
    #最初のclass=profile__txtにサイズの情報があるのでここを検索
    dino_size=soup2_uniq.find(class_="profile__txt").text.strip()
    print(dino_size)

実行結果