Pythonを使ったスクレイピング
スクレイピングとは、ざっくり言えばウェブページからの情報抽出です。
例えば、あるウェブサイトに掲載されているデータを、CSV等で自分なりに保存したいとします。
データが少ない場合は良いのですが、何千件とデータが存在する場合、手作業では非常に時間がかかるのは言うまでもありません。
また、沢山のサイトから情報を取得する必要があったり、定期的に保存が必要になった場合なども、人力では大変です。
このような場合に活躍するのがスクレイピングです。
スクレイピングには大まかに、2つの方法があります。
・Chrome等のウェブブラウザを立ち上げ、プログラムでその動きを自動化・制御する
・ウェブブラウザを使わず、プログラムのみでHTMLの取得・解析を行う
ウェブブラウザを使わない方法として簡単なものは、「requests」と「BeautifulSoup」を使う方法です。
流れとしては、
・requestsでサーバへリクエストを送り、HTMLを受け取る
・BeautifulSoupでHTMLを解析し、必要な部分だけ抽出する
という流れになります。
それぞれのライブラリは、以下のようにインストール可能です。
pip install requests pip install beautifulsoup4
例として、Python Japanのサイトからニュースを抽出してみましょう。
import requests
from bs4 import BeautifulSoup
result = requests.get("http://www.python.jp/category/news.html")
soup = BeautifulSoup(result.content)
titles = soup.find_all("h1")
for title in titles:
print(title.text)
実行結果
PYTHON.JPのメーリングリストについて 『入門Python 3』『実践Python 3』が出版されました Python 3.5 リリース 書籍『Cython――Cとの融合によるPythonの高速化』が発売になります Python 3.5.0 b1 リリース Python 2.7.10 リリース Pythonドキュメント翻訳プロジェクト サイト移転 【書籍】Pythonエンジニア養成読本［いまどきの開発ノウハウ満載！］ (Software Design plus) Python 3.4.3 リリース 【書籍】Pythonプロフェッショナルプログラミング 第2版
このように、非常に簡単に抽出ができました。
次はウェブブラウザを立ち上げる方法、「Selenium」を使ってみます。
pip install selenium
Seleniumのインストールも、pipで簡単に行えます。
from selenium import webdriver
driver = webdriver.Firefox()
driver.get("http://www.python.jp/category/news.html")
titles = driver.find_elements_by_tag_name("h1")
for title in titles:
print(title.text)
driver.close()
上記のコードを実行すると、実際にFirefoxブラウザが立ち上がり、ニュースのタイトルを表示し終わるとブラウザが閉じます。
次に、これらの使い分けについてです。
requestsで受け取るHTMLはあくまでHTMLのソースである点に注意です。
そのためJavaScriptで動的にHTMLを変えているページでは思うように抽出ができません。
ですが、Pythonプログラムのみで完結するため、非常に動作は速いです。
一方、Seleniumはブラウザを立ち上げるため、JavaScriptで動的にHTMLを変えていても、対応可能です。
また、スクリーンショット機能やHTMLの読み込みを待つといった便利な機能もあります。
ブラウザの動きをリアルタイムで見れるため、バグ等の発見も容易です。
しかし、実効速度はブラウザを使わない方法に比べると遅くなります。
どちらを使うか悩む場合は、まずrequests+BeautifulSoup等を試し、上手く抽出ができなければSeleniumに切り替える、
といった方法でも良いでしょう。
