Python でスクレイピングすると超快適な件

不動産賃貸物件の情報を横断的に見るサイトがない。
Suumo, Homes, エリッツ、、、色々見るのがめんどくさい。
お勉強ついでに自分でツールを作ってみる。

まずは住宅情報を集めるところから。
スクレイピングツールは Ruby Pythonいろいろあるが、
ここではお勉強のためプリミティブな方法で Python 使ってスクレイピングをしてみる。

1. HTTP リクエストを発行してWebページを取得
2. 取得したウェブページをパース
3. データベースにためる

といった流れ。


1. HTTP リクエストを発行してWebページを取得

スクリプト的に徘徊したいので、何かしらのコード実装が必要。
学習コストが低い Python を使ってみます。
HTTP リクエスト用のAPIとしては、
デフォルトで urllib とかいうのがあるけど、それだと使いづらいので、
requests と呼ばれるパッケージをインストールします。
 $ pip install requests 
です。
インストールに失敗するときはこのへんはググラビリティ(ググって解決できること)高めなので頑張って解決してください。大体依存するライブラリがインストールされていないとかで引っかかります。

requests 使うとたった二行で HTTP リクエストできてしまいます。
$ import requests
$ response = requests.get(url)

のちのち問題になるのは、「URL をどうやって決めるのか」という部分。
徘徊の仕方は後日考えることとします。
ガッツリやるなら Scrapy がいいらしいですよ。
ページ徘徊の深さとかも簡単に調整できるみたいよ。

2. 取得したウェブページをパース

HTTP リクエストを発行してページ取得はできるようになった。
その次は取得したウェブページから必要な情報を抜き取る処理です。
データ取得とパース処理には依存関係がないので、
ぶっちゃけ違う言語でもよいです。このへんは分業できる部分かと。

様々なソフトウェアスタックがそれぞれ独立して疎結合でメッセージングして協働しているように、
ページ取得・パース・データ解析は独立性の高い処理なので、
それぞれ得意な方法でやるといいと思います。

ここでは「速く」「小規模に」トライアンドエラーしたいので、一貫して Python にします。

必要な情報を抜き取るためには、ソースコードのタグ要素を特定します。
適当なページを開いて右クリック + 「ページのソースを表示」するのもいいけど、
cmd + opt で Chrome DevTools を開いて、
ソースコード側にフォーカスを当てた状態で Ctrl + F すると、
ページの表示とコードがシームレスに一覧できて素晴らしいです。
サクッとソースコード側を検索して、ほしい情報の箇所のアタリをつけてください。
見つかったら欲しい情報に該当するソースコードの箇所を右クリックして、
「Copy XPath」
を選択して選択箇所へのXPathが取得できます、あら便利。
あとは以下のページで言われるがままに実装するだけです。


【早い者勝ち！】 あなたのお名前、残ってる？

とりあえず簡単のため、ウェブページのリンク部分のテキストだけ抜き取って表示してみました。
lxml は依存関係にあるライブラリが結構あるので
将来的には XPath でうまくパスを設定しなきゃならないですね。
今日はここまで。

コメント

コメントを投稿

このブログの人気の投稿

Callback関数を知らん人がまず理解すべきことのまとめ。

未だにへっぽこプログラマーの私が、「Callback関数なにそれ美味しいの？」状態から、 Callback関数、「それはとっかえひっかえされる関数だお(ｷﾘｯ」ってなるまでにとった行動のまとめ。 ちなみに私、C言語とPythonくらいしか喋れませんので、今回はC言語に特化した内容でお送りします。 ※Webから漁ってきた情報から手っ取り早くまとめたものなので間違いもあると思われます。間違った点はゴリゴリ指摘していただけるとマンモスウレピーです。 Callback関数とは？ ■プログラム中で、呼び出し先の関数の実行中に実行されるようにあらかじめ指定しておく関数( IT用語辞典 より引用) 初心者が読んでもわけわかめだと思います。いきなり定義が頭に入る奴なんていません。 これはまだマシな方で Wikipediaの解説 なんてクソイミフです。 アホだと自覚してる私は読む気さえ起きません。 完全理解は無理で、ある程度の理解水準に素早く到達して、 「とりあえず実装できる」状態になりましょう。 その後、徐々に理解を深めていく方が学習は早いです。 ここでは３段階で解説して、「とりあえず実装できる」状態になりましょう。 Callback関数を理解するためには、 １：ポインタの理解、２：関数ポインタの理解、３：callback関数のメリットと実装方法 を学ぶ必要があります。 １：ポインタとは？ C言語入門者を悩ませるポインタです。 まずは軽くポインタって何？ってところから。 ポインタ⇔指す人ってわけで、C言語の入門書では以下の様なコメントが書かれてます。 int *p;    // int型を変数を 指す ポインタ int data; // int型の変数 p = &data; // pはdataを 指す １行目： いつも「指す」って何やねんってなります。 私は、 ポインタはアドレスを格納する変数 だと思ってます。 だからpはアドレスを格納するための変数です。 指すとか意味分かんないからアドレスを格納するただの変数だと思うのです。 ２行目： int data;　って書いた瞬間に、メモリ上でプログラムが使える領域に対し
続きを読む

C言語でBluetoothスタックを叩きたい人のBluetooth開発入門その1

会社ではCでデバドラを書いてる私は、密かにBluetooth関連のお仕事をかっさらおうと画策中。 しかしながらスタックの知識、実装面等おぼつかない部分があるので、 スタンダードなことを勉強していこうと思い下記の本を会社の資料室で借りた。 めっちゃいい感じ。 PythonとかCでBluetoothスタックを叩いて実装の雰囲気を感じ取れる教科書。 入門じゃぁ！と思って意気込んでプロトコルとか読み漁るよりも、 はじめはざっくり雰囲気でよくわかんねぇけど実装は出来る状態に持っていく。 その上で深さ優先探索していってお勉強が完了するイメージですすめるほうが、 技術の習得においては手っ取り早い。 この教科書、Linux前提で話が進むので、 とりあえず私はWindowsをホストコンピュータとして、 Virtualbox上にUbuntu入れてお勉強進めます。 この本に載ってるソースコードでは、 しょっぱなから　#include <bluetooth/bluetooth.h>　やってるんですけど、 usr/include　以下を調べてもヘッダ無いんですよねこれが。 何かインストールしなきゃいけないんだろーと思って調べたところ、 bluezなるものをインストールする必要があるとのことでした。 アプリを実装するためにはヘッダ、バイナリが必要なので、 具体的にはコマンドを実行してヘッダを落としてきましょう。 $ sudo apt-get install libbluetooth-dev # bluezの開発環境をインストール！ あとは ここ のサイトを参考にしてsimplescan.c を書いちゃって、 $ gcc -o simplescan simplescan.c -lbluetooth # bluetoothライブラリをリンクしてコンパイル！ はい、実行できた。 きょうはここまで。
続きを読む

構文エラー : ';' が '型' の前にありません

ずっとC++言語の勉強してたけど，久しぶりにC言語をいじってみた． 構造体周りの復習のためにVisual Studio 2010つかってプログラムを書いたところ， ど忘れしてた箇所があったので記載． こんなプログラム書いた． #include <stdio.h> struct Kozotai{ int num; float height; }; int main(){ struct Kozotai aaa = {10,10.22f}; printf("aaa.num : %d",aaa.num); //出力結果確認用 int tmp; scanf("%d",&tmp); return 0; } そしたら 構文エラー : ';' が '型' の前にありません。 って怒られ続ける． 出力結果確認のためにプログラムを一旦止める処理を加えたくてtmpとか宣言してるんだけど，これがダメらしい． C言語では変数宣言が途中にあるとエラーを吐くんです． てなわけで宣言部を上にもってったらコンパイルエラー消えました．
続きを読む