はじめに
以前、技術評論社さんのデータサイエンティスト養成読本という本を読みました。
いろいろな技術の紹介があり、非常に参考になりました。
その中でスクレイピングに関するサンプルコードもありました。
今回はPythonで書かれていたスクレイピングのコードをRubyで書き直した記事になります。
なお、Pythonで書かれたサンプルの方は実際に書籍をご覧になってください。
仕様
技術評論社さんのサイトに行き、直近の記事タイトルとそのリンクを取得してJSONで吐き出します。
ソースコード
実際に書いたソースコードはこちらになります。
その後、各項目について記載したいと思います。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 |
require 'uri' require 'open-uri' require 'nokogiri' require 'json' class GihyoCrawler BASE_URL = 'http://gihyo.jp'.freeze CONTENT_LIST_URL = 'http://gihyo.jp/contentslist'.freeze TITLE_XPATH = '//*[@id="latestArticle"]/dl/dd/h3/a'.freeze NEXT_URL_XPATH = '//*[@id="latestArticle"]/div[4]/p[2]/a'.freeze OUTPUT_FILE = 'output.json'.freeze PAGE_NUM = 2 SLEEP_TIME = 1 def self.run url = CONTENT_LIST_URL File.open(OUTPUT_FILE, 'w:utf-8') do |f| f.write("{\n") PAGE_NUM.times do dom = read_html(url) scrape_content_page(dom).each do |title, url| data = {"title": title, "url": url} f.write(JSON.dump(data) + ",\n") end url = get_next_url(dom) break if url.nil? sleep(SLEEP_TIME) end f.write("}") end end def self.read_html(url) charset = nil user_agent = {"User-Agent" => "Gihyo Bot"} html = open(url, user_agent) do |f| charset = f.charset f.read end Nokogiri::HTML.parse(html, nil, charset) rescue StandardError => e p "Error: #{e}" end def self.scrape_content_page(dom) ret_arr = [] dom.xpath(TITLE_XPATH).each do |dom_by_xpath| title = get_title(dom_by_xpath) url = get_article_url(dom_by_xpath) ret_arr << [title, url] end ret_arr end def self.get_title(dom) dom.inner_text end def self.get_article_url(dom) url = dom.attribute('href').value URI.join(BASE_URL, url).to_s end def self.get_next_url(dom) next_url = dom.xpath(NEXT_URL_XPATH)[0].attribute('href').value return URI.join(BASE_URL, next_url).to_s rescue return nil end end GihyoCrawler.run |
ファイル名を指定してrubyコマンドで実行できます。
|
1 |
$ ruby gihyo_crawler.rb |
使用したモジュール、Gem
対象ページを取得
open-uriのopenメソッドを使用し、対象URLを開いて取得します。
その際、オプションとしてUser Agentが渡せるので、クローラーだと分かるような名前をつけてあげます。
取得したページはNokogiriでHTMLとして解析して返却します。
|
1 2 3 4 5 6 7 8 9 10 11 |
def self.read_html(url) charset = nil user_agent = {"User-Agent" => "Gihyo Bot"} html = open(url, user_agent) do |f| charset = f.charset f.read end Nokogiri::HTML.parse(html, nil, charset) rescue StandardError => e p "Error: #{e}" end |
XPATHから目的のものを抜き出す
Google Chromeなどを使用すれば、対象のHTMLタグのXPATHを取得することができるので、そちらから目的のものを取得します。
XPATHの説明は、下記の方の記事が分かりやすいかと思います。
同じ階層の、例えば<div>などは配列で返ってくるので、ループして必要なだけ抽出します。
記事タイトル、リンク先それぞれ取得の方法が違うので、メソッドを用意してあげます。
|
1 2 3 4 5 6 7 8 9 |
def self.scrape_content_page(dom) ret_arr = [] dom.xpath(TITLE_XPATH).each do |dom_by_xpath| title = get_title(dom_by_xpath) url = get_article_url(dom_by_xpath) ret_arr << [title, url] end ret_arr end |
次のページのリンクを取得する
はじめに定数として、PAGE_NUM = 2と与えています。
技術評論社さんの記事ページはページングされており、過去の記事を見るためには次のページへ行く必要があります。
このとき、次のページボタンのXPATHを指定し、そのDOMのURLを取得すれば、同様の処理を繰り返すことで次のページの記事も取得できます。
今回のサンプルでは、何ページ目まで取得するか、という意味でPAGE_NUM = 2が与えられています。
もしそれ以上過去の記事がなければ、リンクが取得できないはずなので、その場合はbreakします。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 |
def self.run # 省略 PAGE_NUM.times do dom = read_html(url) scrape_content_page(dom).each do |title, url| data = {"title": title, "url": url} f.write(JSON.dump(data) + ",\n") end # 次のページへのリンクを取得 url = get_next_url(dom) # もし取得できなければループを抜ける break if url.nil? # 連続してアクセスすると迷惑なので、次のループに入る前に一拍入れる sleep(SLEEP_TIME) end # 省略 end |
さいごに
スクレイピングの勉強がてら書き換えてみました。
Railsで素早くWebページを作成することは違うので、Ruby自体の勉強にオススメです。
