【Ruby Advent Calender 2017】Rubyでスクレイピングをしてみる【11日目】

1 はじめに
- 1.1 概要
2 仕様
3 ソースコード
4 使用したモジュール、Gem
5 対象ページを取得
6 XPATHから目的のものを抜き出す
7 次のページのリンクを取得する
8 他のサイトの記事でも試してみる
9 さいごに

はじめに

Ruby Advent Calender 2017、11日目の記事になります。
今回は以前実施した、Rubyでのスクレイピングについて再度記載したいと思います。

Selenium WebDriverやPhantomJSなどは使用しておりません。

概要

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。

require 'uri' require 'open-uri' require 'nokogiri' require 'json' class GihyoCrawler @@base_url = 'http://gihyo.jp' @@content_list_url = 'http://gihyo.jp/contentslist' @@title_xpath = '//*[@id="latestArticle"]/dl/dd/h3/a' @@next_url_xpath = '//*[@id="latestArticle"]/div[4]/p[2]/a' @@output_file = 'output.json' @@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

require 'uri'

require 'open-uri'

require 'nokogiri'

require 'json'

class GihyoCrawler

@@base_url = 'http://gihyo.jp'

@@content_list_url = 'http://gihyo.jp/contentslist'

@@title_xpath = '//*[@id="latestArticle"]/dl/dd/h3/a'

@@next_url_xpath = '//*[@id="latestArticle"]/div[4]/p[2]/a'

@@output_file = 'output.json'

@@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

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

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。

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。

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

はじめにクラス変数として、 @@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。

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

他のサイトの記事でも試してみる

このスクレイピングのコードですが、書籍で紹介されていた内容でかなり整っておりました。
このコードを継承してしまえば、他のサイトだってだいたい取得できそうだったので試してみます。

継承する際、継承元の GihyoCrawler.run をコメントアウトか消しておかないと2回実行されてしまうので気をつけてください。
（私だけかもしれません。。なんで2回実行されているんだ、とドツボにハマっていました。。）

本ブログ

手前味噌ですが、本ブログにも記事一覧ページがありますので、ここから取得してみます。
確認しながら進めると、クラス変数の値を変えるだけでいけました。

require_relative './gihyo_crawler'

class ReEnginesCrawler < GihyoCrawler

@@base_url = 'https://re-engines.com/'

@@content_list_url = 'https://re-engines.com/'

@@title_xpath = '//*[@class="kanren-t"]/a'

@@next_url_xpath = '//*[@id="contentInner"]/div/article/div[1]/div[2]/a[4]'

end

ReEnginesCrawler.run

Qiita

Qiitaも取ってみます。
Qiitaはログインしていないといわゆる新着ページにいけないので、ログインしていなくても確認できる、「Rubyの記事で最近いいねされた記事」（現在は、404 Not Foundになってしまっています）のページから取得します。

require_relative './gihyo_crawler'

class QiitaCrawler < GihyoCrawler

@@base_url = 'https://qiita.com'

@@content_list_url = 'https://qiita.com/tags/Ruby/likes'

@@title_xpath = '//div[@class="ItemLink__title"]/a'

@@next_url_xpath = '//*[@id="main"]/div/div/div[1]/section/div[2]/ul/li[8]/a'

end

QiitaCrawler.run

はてなブックマーク

はてなブックマークの新着からも取得してみます。
はてなブックマークは新着記事の先頭が大きめの表示なので、ちょっとメソッドを変更しないといけないかな、と思いましたが、同じXPATHで取得できますね。

「次へ」のようなリンクがないので、ループ回数は1回にしています。

require_relative './gihyo_crawler'

class HatenaCrawler < GihyoCrawler

@@base_url = 'http://b.hatena.ne.jp/'

@@content_list_url = 'http://b.hatena.ne.jp/entrylist?sort=hot'

@@title_xpath = '//h3[@class="hb-entry-link-container"]/a'

@@page_num = 1

end

HatenaCrawler.run

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。
サンプル自体が非常に良くできていたので、色々なブログをスクレイピングする際もかなりスピーディにできます。
やはり基底クラスは重要ですね。

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。

日	月	火	水	木	金	土
					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

【Ruby Advent Calender 2017】Rubyでスクレイピングをしてみる【11日目】

はじめに

概要

仕様

ソースコード

使用したモジュール、Gem

対象ページを取得

XPATHから目的のものを抜き出す

次のページのリンクを取得する

他のサイトの記事でも試してみる

本ブログ

Qiita

はてなブックマーク

さいごに

フォロー

アプリ情報