目次
#Beautiful Soupの使用方法
文字化け解消方法
requestsを使用する場合は通常下記のように書くと思いますが、
from bs4 import BeautifulSoup
import requests
res = requests.get(url)
soup = BeautifulSoup(res.content, 'html.parser')
これだと文字化けするサイトがあるので、下記にすると文字化けがかなり解消できる。
from bs4 import BeautifulSoup
import requests
res = requests.get(url)
soup = BeautifulSoup(res.content, "lxml", from_encoding='utf-8')
findのコード一覧
| 説明 | コード例 |
|---|---|
| 1件検索 | soup.find('li') |
| タグ全検索 | soup.find_all('li') |
| 属性検索 | soup.find('li', href='html://www.google.com/') |
| 複数要素を取得 | soup.find_all(['a','p']) |
| id検索 | soup.find('a', id="first") |
| class検索 | soup.find('a', class_="first") |
| 属性取得 | first_link_element['href'] |
| テキスト検索 | soup.find('dt' ,text='検索ワード') |
| テキスト部分一致の検索 | soup.find('dt' ,text=re.compile('検索ワード')) |
| 親要素を取得 | .parent |
| 次の要素を1件取得 | .next_sibling |
| 次の要素を全件取得 | .next_siblings |
| 前の要素を1件取得 | .previous_sibling |
| 前の要素を全件取得 | .previous_siblings |
| テキスト要素の取得 | .string |
selectのコード一覧
| 説明 | コード例 |
|---|---|
| 1件検索 | soup.select_one('cssセレクタ') |
| 全件検索 | soup.select('cssセレクタ') |
セレクタの指定方法一覧
| 説明 | コード例 |
|---|---|
| id検索 | soup.select('a#id') |
| class検索 | soup.select('a.class') |
| classの複数検索 | soup.select('a.class1.class2') |
| 属性検索1 | soup.select('a[class="class"]') |
| 属性検索2 | soup.select('a[href="http://www.google.com"]') |
| 属性検索3 | soup.select('a[href]') |
| 子要素の取得 | soup.select('.class > a[href]') |
| 子孫要素の取得 | soup.select('.class a[href]') |
| n番目の要素の取得 | soup.select('.a:nth-of-type(n)') |
属性要素は検索したい要素に応じて変更する。
id,class,href,name,summaryなど。
子要素(1階層下)だけ取得したい場合は>を挟み、子孫要素(階層下全て)を取得したい場合はスペースを入れる。
#Seleniumの使用方法
##Seleniumを使うための事前準備
Colabで使用する際はSeleniumのダウンロードとUIの仕様ができないので、
その設定が必要になります。
# Seleniumを使用するのに必要なライブラリをダウンロード
!apt-get update
!apt install chromium-chromedriver
!cp /usr/lib/chromium-browser/chromedriver /usr/bin
!pip install selenium
from selenium import webdriver
# ドライバーをUIなしで使用するための設定
options = webdriver.ChromeOptions()
options.add_argument('--headless')
options.add_argument('--no-sandbox')
options.add_argument('--disable-dev-shm-usage')
driver = webdriver.Chrome('chromedriver',chrome_options=options)
driver.implicitly_wait(10)
2022年12月
久しぶりに使おうと思ったらwebdriver.Chromeのオプション引数が
optionsからchrome_optionsに変わっていました。
SeleniumとBeautiful Soupを使用する場合
使用ケースとしては、Beautiful Soupだけではどうしても要素が取得できない場合に
seleniumuでページを読み込んでからBeautiful Soupで必要な情報を抜きたい場合。
driver.get(url)
html = driver.page_source.encode('utf-8')
soup = BeautifulSoup(html, 'html.parser')
Seleniumの基本コード
| 説明 | コード例 |
|---|---|
| URLを開く | driver.get('URL') |
| 一つ前に戻る | driver.back() |
| 一つ前に進む | driver.forward() |
| ブラウザを更新 | driver.refresh() |
| 現在のURLを取得 | driver.current_url |
| 現在のタイトルを取得 | driver.title |
| 現在のウィンドウを閉じる | driver.close() |
| 全てのウィンドウを閉じる | driver.quit() |
| クラスで要素取得 | driver.find_element_by_class_name('classname') |
| IDで要素取得 | driver.find_element_by_id('id') |
| XPATHで要素取得 | driver.find_element_by_xpath('xpath') |
| XPATHでテキスト検索 | driver.find_element_by_xpath('//*[text()="strings"]') |
| XPATHでテキスト部分一致検索 | driver.find_element_by_xpath('//*[contains(text(), "strings")]') |
| 要素をクリック | driver.find_element_by_xpath('XPATH').click() |
| テキスト入力 | driver.find_element_by_id('ID').send_keys('strings') |
| テキストの取得 | driver.find_element_by_id('ID').text |
| 属性の取得(hrefの場合) | driver.find_element_by_id('ID').get_attribute('href') |
| 要素が表示されているか判定 | driver.find_element_by_xpath('xpath').is_displayed() |
| 要素が有効か判定 | driver.find_element_by_xpath('xpath').is_enabled() |
| 要素が選択されているか判定 | driver.find_element_by_xpath('xpath').is_selected() |
ドロップダウンを選択したいとき
from selenium.webdriver.support.ui import Select
element = driver.find_element_by_xpath("xpath")
Select(element).select_by_index(indexnum) # indexで選択
Select(element).select_by_value("value") # valueの値
Select(element).select_by_visible_text("text") # 表示テキスト
Xpathの指定方法一覧
| 説明 | コード例 |
|---|---|
| 全ての要素を選択 | //* |
| 全ての要素を選択 | //a |
| 属性を選択 | @href |
| 複数要素を選択 | [a or h2] |
| idで要素取得 | //*[@id="id"] |
| classで要素取得 | //*[@class="class"] |
| テキスト検索 | //*[text()="strings"] |
| テキストの部分検索 | //*[contains(text(), "strings")] |
| クラスの部分一致 | //*contains(@class, "class") |
| 次のノード取得 | /following-sibling::*[1] |
| 2つあとのa要素の | /following-sibling::a[2] |
| 後ろのノード取得 | /preceding-sibling::*[1] |
タブを変更する場合
クリックするとページ遷移せず新しいタブができる場合に使用
handle_array = driver.window_handles
driver.switch_to.window(handle_array[1])
特定の要素が表示されるまで待機処理
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By
# ページ上のすべての要素が読み込まれるまで待機（15秒でタイムアウト判定）
WebDriverWait(driver, 15).until(EC.presence_of_all_elements_located)
# ID指定したページ上の要素が読み込まれるまで待機（15秒でタイムアウト判定）
WebDriverWait(driver, 15).until(EC.presence_of_element_located((By.ID, 'ID名')))
# CLASS名指定したページ上の要素が読み込まれるまで待機（15秒でタイムアウト判定）
WebDriverWait(driver, 15).until(EC.presence_of_element_located((By.CLASS_NAME, 'CLASS名')))
# XpathでCLASS名指定したページ上の要素が読み込まれるまで待機（15秒でタイムアウト判定）
WebDriverWait(driver, 15).until(EC.presence_of_element_located((By.XPATH, 'xpath')))
クリックできないときの処理
target = driver.find_element_by_xpath('xpath')
driver.execute_script("arguments[0].click();", target)
Pandasを使用してデータを保存する方法
データフレームを作成してデータを追加していく方法
import pandas as pd
columns = ['項目1', '項目2', '項目3', '項目4', '項目5']
df = pd.DataFrame(columns=columns)
# データ取得の処理
se = pd.Series([data1, data2, data3, data4, data5], columns)
df = df.append(se, columns)
上記のようにデータフレームを作成し後、データを保存する方法には下記の3パターンがあります。
① CSVでダウンロードする
② マイドライブに格納
③ スプレッドシートに反映させる
① PandasのデータCSVでダウンロードする
from google.colab import files
filename = 'filename.csv'
df.to_csv(filename, encoding = 'utf-8-sig')
files.download(filename)
② Pandasのデータをマイドライブに格納する
from google.colab import drive
filename = 'filename.csv'
path = '/content/drive/My Drive/' + filename
with open(path, 'w', encoding = 'utf-8-sig') as f:
df.to_csv(f)
③ Pandasのデータをスプレッドシートに反映させる
!pip install gspread
from google.colab import auth
from oauth2client.client import GoogleCredentials
import gspread
import pandas as pd
# 認証処理
auth.authenticate_user()
gc = gspread.authorize(GoogleCredentials.get_application_default())
ss_id = 'スプレッドシートのID'
workbook = gc.open_by_key(ss_id)
# パラメーターを指定してシートへ張り付ける場合
workbook.values_update(
# sheet!A1などセルを指定
target_cell,
params={
'valueInputOption': 'USER_ENTERED'
},
body={
'values': [df.columns.values.tolist()] + df.values.tolist()
}
)
【参考サイト】
BeautifulSoup4のチートシート(セレクターなど）
Python3メモ - BeautifulSoup4のあれこれ
WebスクレイピングのためのCSSセレクタの基本
Selenium webdriverよく使う操作メソッドまとめ
XPathとは？XPathの基本知識を学ぼう！
Webスクレイピングに不可欠！Xpathのまとめ
gspreadライブラリの使い方まとめ！Pythonでスプレッドシートを操作する