【第4回】商品ID1から派生URLを生成し、追加タグ情報を取得する

はじめに

第3回で、一次ページから ProductRecord を作れるようになりました。
第4回では、その product_id1 を使って派生URLを作り、追加情報（specific_tag1）を取得してレコードへ統合します。

この回でできるようになること:

• DETAIL_BASE_URL + product_id1 で派生URLを生成
• 派生先ページから特定タグを安全に取得
• 一次抽出データと派生抽出データを1つのレコードに統合

---

1. ProductRecord を拡張する（src/models.py）

まず、派生処理の結果を保持できるようにモデルを拡張します。

from dataclasses import dataclass
from typing import Optional


@dataclass
class ProductRecord:
    # 一次ページから取得
    product_id1: str
    product_id2: Optional[str]
    product_name: str
    issue1: Optional[str]
    issue2: Optional[str]
    source_url: str

    # 第4回で追加: 派生ページ関連
    derived_url: Optional[str] = None
    specific_tag1: Optional[str] = None

デフォルト値を None にしておくことで、段階実装中も壊れにくくなります。

---

2. 派生URLを作る関数を追加（src/extractor.py）

派生URL生成ロジックを関数化しておくと、あとで仕様変更に対応しやすいです。

from typing import Optional


def build_derived_url(detail_base_url: str, product_id1: str) -> Optional[str]:
    """
    DETAIL_BASE_URL と product_id1 を連結して派生URLを作る。

    product_id1 が空の場合はURLを作れないため None を返す。
    """
    if not product_id1:
        return None

    # 末尾スラッシュやクエリ付きURLにする場合は、業務仕様に合わせてここを調整。
    return f"{detail_base_url}{product_id1}"

---

3. 派生ページから追加タグを取得する関数を作る（src/extractor.py）

第3回の safe_text_content() を再利用して、取り方を統一します。

from playwright.sync_api import Page


def fetch_specific_tag1_from_derived_page(
    page: Page,
    derived_url: str,
    sel_derived_tag1: str,
) -> Optional[str]:
    """
    派生ページにアクセスし、specific_tag1 を取得する。

    取得できない場合は None を返し、上位処理で継続できる設計にする。
    """
    try:
        # 派生ページへ移動
        page.goto(derived_url, timeout=15000)

        # 最低限DOM構築完了を待機
        page.wait_for_load_state("domcontentloaded")

        # 第3回で作った安全取得関数を再利用
        return safe_text_content(page, sel_derived_tag1)
    except Exception:
        # 派生ページだけ失敗しても全体停止しない
        return None

---

4. main.py で一次データと派生データを統合する

ここでは、records をループしながら派生情報を追記します。

from extractor import (
    build_derived_url,
    fetch_specific_tag1_from_derived_page,
)

# ...（第3回までの処理で records を作成済みという前提）

for record in records:
    # 商品ID1から派生URLを作る
    derived_url = build_derived_url(settings.detail_base_url, record.product_id1)
    record.derived_url = derived_url

    # product_id1 が空のケースは、派生取得をスキップ
    if not derived_url:
        continue

    # 派生ページへアクセスして specific_tag1 を取得
    specific_tag1 = fetch_specific_tag1_from_derived_page(
        page=page,
        derived_url=derived_url,
        sel_derived_tag1=settings.sel_derived_tag1,
    )
    record.specific_tag1 = specific_tag1

この時点で、records の各要素に以下がそろいます。

• 一次ページ由来: product_id1, product_id2, product_name, issue1, issue2
• 派生ページ由来: derived_url, specific_tag1

---

5. 実行時の確認ポイント

• product_id1 がある行に derived_url が入っている
• 派生ページに値がある行だけ specific_tag1 が埋まる
• 派生取得失敗があっても、一次取得済みデータは保持される

確認用の簡易表示例:

for rec in records[:5]:
    print(
        rec.product_id1,
        rec.product_name,
        rec.issue1,
        rec.issue2,
        rec.specific_tag1,
    )

---

ハマりどころと対策

product_id1 が空で派生URLが作れない

• 現実運用ではよく起きます。
• 本文コードでは build_derived_url() で None を返し、スキップ継続します。

派生ページだけセレクタが違う

• 一次ページと混ぜず、SEL_DERIVED_TAG1 を独立して管理しましょう。
• 将来的には selectors_derived.py のように分離してもよいです。

連続アクセスで不安定になる

• 必要に応じて wait_for_timeout(300~1000ms) を入れて負荷を下げます。
• 次回、失敗URL保存とリトライ設計を入れて運用安定化します。

---

まとめ

第4回では、派生URL処理まで実装できました。

• product_id1 から派生URLを生成
• 派生ページから specific_tag1 を取得
• 一次抽出データへ統合

次回（第5回）は、この統合済みデータを最終フォーマットでテキスト出力し、
失敗URL記録・リトライ方針まで含めて運用しやすい形に仕上げます。