Webスクレイピング

1 はじめに
2 コードの説明
3 注意点
4 まとめ
5 参考

はじめに

こんにちは．

はんぺんです．

以下の二つの記事を書くときに，WebスクレイピングでNAVERまとめからツンデレ文章を取得させていただきました．．

Kerasを用いたディープラーニング(LSTM)で新しいツンデレセリフを生成してみた

マルコフ連鎖で生成した萌えるツンデレセリフ3選

この記事ではその方法について説明していきたいと思います．

コードの説明

インポート

import requests
from bs4 import BeautifulSoup

1 2	import requests from bs4 import BeautifulSoup

まず初めに必要なライブラリをインポートします．

requests

Requestsは、人が使いやすいように設計されていて、Pythonで書かれている Apache2 Licensed ベースのHTTPライブラリです。

参考: Requests: 人間のためのHTTP

BeautifulSoup

Beautiful Soupは、HTMLやXMLファイルからデータを取り出すためのPythonライブラリです。あなたの好きな構文解析を行い、検索し、変更するための慣用的な方法を提供します。プログラマは数時間または数日間の作業を節約します。

（参考を日本語訳）

参考: Beautiful Soup Documentation

htmlを取得して必要なクラスを取得

txt_all = []
for i in range(1,5):
    # URLの指定
    if i == 1:
        target_url = 'https://matome.naver.jp/odai/2135019121882313701'
    else:
        target_url = 'https://matome.naver.jp/odai/2135019121882313701?page='+str(i)
    
    r = requests.get(target_url)　#requestsを使って、webから取得
    soup = BeautifulSoup(r.text, "html.parser")
    txt = soup.find_all(class_="mdMTMWidget01ItemQuote01View")
    txt_all.append(txt)
    sleep(3) #３秒待って次の処理に移る

txt_all = []

for i in range(1,5):

# URLの指定

if i == 1:

target_url = 'https://matome.naver.jp/odai/2135019121882313701'

else:

target_url = 'https://matome.naver.jp/odai/2135019121882313701?page='+str(i)

r = requests.get(target_url)　#requestsを使って、webから取得

soup = BeautifulSoup(r.text, "html.parser")

txt = soup.find_all(class_="mdMTMWidget01ItemQuote01View")

txt_all.append(txt)

sleep(3) #３秒待って次の処理に移る

ここではhtmlの取得を行い，そこから必要な個所を取り出してきます．

1~7行目: 抽出したいページが５つあるので，URLに合わせて書いていきます．

11行目: 必要なクラスを指定して，その部分だけ取り出します．

13行目: 3秒待って次の処理に移行します．連続でリクエストを送ることは好ましくないので，私はいつも3秒待って処理を続行するようにしています．

必要な個所を取得

sentence_all = []
for i in range(len(txt_all)):
    for j in range(len(txt_all[i])):
        sentence_buf_1 = str(txt_all[i][j])
        sentence_buf_2 = sentence_buf_1.replace("<p class=\"mdMTMWidget01ItemQuote01View\"><span class=\"mdMTMWidget01ItemQuote01Ico\"></span><q class=\"mdMTMWidget01ItemQuote01Txt\">", '').replace("</q></p>", "")
        sentence_all.append(sentence_buf_2)

sentence_all = []

for i in range(len(txt_all)):

for j in range(len(txt_all[i])):

sentence_buf_1 = str(txt_all[i][j])

sentence_buf_2 = sentence_buf_1.replace("<q class=\"mdMTMWidget01ItemQuote01Txt\">", '').replace("</q>", "")

sentence_all.append(sentence_buf_2)

抽出した部分を開いてみると，

<q class=”mdMTMWidget01ItemQuote01Txt”>001：あたしツンデレな奴って嫌いなの！・・・あんたは別だけど。</q>

このように必要ない部分を含んでいるので，成形していきます．

4行目: 文字列として扱った方が都合がいいので，string型にします．

5行目: 前半の不要な部分と</q>を削除します．

すると以下の様になります．

001：あたしツンデレな奴って嫌いなの！・・・あんたは別だけど。

テキストファイルへ保存

f = open('text.txt', 'w') # 書き込みモードで開く
for sentence in sentence_all:
    f.write(sentence + "\n")        
f.close() # ファイルを閉じる

f = open('text.txt', 'w') # 書き込みモードで開く

for sentence in sentence_all:

f.write(sentence + "\n")

f.close() # ファイルを閉じる

テキストファイルを作ってそこに保存していきます．

注意点

スクレイピングをする時はいくつかの注意事項があるので，理解しておいた方がよさそうです．

私は以下を読みました．

Webスクレイピングの注意事項一覧

まとめ

今回はWebスクレイピングについてお話ししました．

自然言語処理をするにあたってWeb上の文章データは非常に有益であり，Webスクレイピングを使うことでそれを効率よく集めることができます．

ぜひお試しください．

参考

ツンデレせりふ×100連発！

Kerasを用いたディープラーニング(LSTM)で新しいツンデレセリフを生成してみた

マルコフ連鎖で生成した萌えるツンデレセリフ3選

Requests: 人間のためのHTTP

Beautiful Soup Documentation

Webスクレイピングの注意事項一覧

【Webスクレイピング】Pythonを使ってNAVERまとめから文章を抽出してみた

Webスクレイピング

はじめに

コードの説明

インポート

htmlを取得して必要なクラスを取得

必要な個所を取得

テキストファイルへ保存

注意点

まとめ

参考

コメントを残すコメントをキャンセル

自己紹介

最新の投稿

Webスクレイピング

はじめに

コードの説明

インポート

htmlを取得して必要なクラスを取得

必要な個所を取得

テキストファイルへ保存

注意点

まとめ

参考

コメントを残す コメントをキャンセル

RECOMMENDこちらの記事も人気です。

人工知能の勉強！Udemyの【TensorFlow x Python 3…

実験系の大学生こそPythonを学ぶべき3つの理由

Kerasを用いたディープラーニング(LSTM)で新しいツンデレセリフを…

データ分析にJupyter notebookを使う3つの理由

Pythonで綺麗にグラフを出力するためのテンプレートを公開

【データサイエンス】pandasを用いた集計の方法【Python】

mac sierraのAnaconda環境でOpenCVをインストールし…

Pythonを使って動画から画像を抽出して保存してみた

自己紹介

人気の投稿

タグクラウド

最新の投稿

コメントを残すコメントをキャンセル