実践スクレイピング

Pythonで学ぶWebスクレイピング

Thomas Laetsch

Data Scientist, NYU

DataCamp サイト

https://www.datacamp.com/courses/all

Divの中身は？

# response loaded with HTML from https://www.datacamp.com/courses/all

course_divs = response.css('div.course-block')

print( len(course_divs) )
>>> 185

course-block を確認

first_div = course_divs[0]

children = first_div.xpath('./*')

print( len(children) )
>>> 3

最初の子要素

first_div = course_divs[0]

children = first_div.xpath('./*')

first_child = children[0]

print( first_child.extract() )
>>> <a class=... />

2番目の子要素

first_div = course_divs[0]

children = first_div.xpath('./*')

second_child = children[1]

print( second_child.extract() )
>>> <div class=... />

忘れられた子要素

first_div = course_divs[0]

children = first_div.xpath('./*')

third_child = children[2]

print( third_child.extract() )
>>> <span class=... />

リスト化

1つのCSSロケーターで

links = response.css('div.course-block > a::attr(href)').extract()

段階的に

# ステップ1: コースブロック
course_divs = response.css('div.course-block')

# ステップ2: ハイパーリンク要素
hrefs = course_divs.xpath('./a/@href')

# ステップ3: リンクを抽出
links = hrefs.extract()

コース一覧を取得

for l in links:
    print( l )

>>> /courses/free-introduction-to-r
>>> /courses/data-table-data-manipulation-r-tutorial
>>> /courses/dplyr-data-manipulation-r-tutorial
>>> /courses/ggvis-data-visualization-r-tutorial
>>> /courses/reporting-with-r-markdown
>>> /courses/intermediate-r
...

リンク抽出の完了

Pythonで学ぶWebスクレイピング