概要

Pythonでのスクレイピングにより、競合など他社サイトに掲載されている商品データを収集し、

マーケティング・競合分析への活用のため、CSVファイルにまとめ、出力します

対象ページ

スクレイピング対象は、以下のようなページです

• インテリアのECサイト
• チェア：カテゴリの商品一覧ページ

対象データ

今回は、先述のページから

• 商品名
• 価格
• レビュー｜評価値
• レビュー｜投稿数

以上 4つの情報を、チェア：カテゴリの全商品分、取得します

注意

• 記事内の「Webサイト／URL／データ」は全てダミーです
• 記事内のコードで、実際にスクレイピングする事は可能ですが、実在のサイトに対するスクレイピングは、サーバー負担への配慮、著作権／利用規約の十分な確認等が必要となります

対象分析

対象から利用制限が指定されていないか、対象ページの構造はどうなっているか、等を分析／確認していきます

利用制限

人様のサイトからデータを取得するにあたり、まずはそのサイトの「著作権／利用規約ページ」をしっかり確認した上で、以下のコードでアクセスに対する制限を確認

. . . . .

クローリングへの指示書である「robots.txt」解析のためのモジュールurllib.robotparserをインポート

import urllib.robotparser
rp = urllib.robotparser.RobotFileParser()

robots.txtの読み込み

rp.set_url("https://demo-store.com/robots.txt")
rp.read()

request_rateで、クローラーに対し遅延時間が指定されていないかの確認

req_rate = rp.request_rate("*")

print(req_rate)

None

遅延時間の指定は無し。とはいえ、相手サーバー負荷への配慮として、ロード遅延処理は必須

. . . . .

can_fetchでURLの取得が許可されているかを確認

rp.can_fetch("*", "https://demo-store.com/")

True

Trueが返され、URL取得の許可が確認できました

ページ構造

Chrome｜デベロッパーツールを用い、対象ページの構造を確認

1商品ごとにpd_boxというクラス名のパーツで囲われ、
その中に今回取得したい4つの商品情報が入っており、それぞれ以下のようにクラス名が付けられています

URLの規則性

対象ページのURLは以下（※ ダミーURLです）
https://demo-store.com/living/chair/?page=1

また、この「チェア：カテゴリ｜商品一覧」は、全10ページで

10ページ目のURLはhttps://demo-store.com/living/chair/?page=10となっており、
?page=XXの箇所が、現在のページ数を表しているという事が分かりました

以上を踏まえ、スクレイピング実行のコードを考えていきます

データ取得

実際にブラウザを起動・サイトを描画しながらスクレイピングする手法もありますが、今回はヘッダレスブラウザを用い、画面描写無しでサッサとスクレイピングしていきます

. . . . .

Selenium｜Chromeブラウザをインポート

from selenium.webdriver import Chrome, ChromeOptions
from selenium.webdriver.common.keys import Keys

--headlessでオプション：ヘッドレスモードを有効化

options = ChromeOptions()
options.add_argument('--headless')

ChromeのWebDriverオブジェクトを作成

browser = Chrome(options=options)

後に商品情報を格納していく、空のリストを作成

names = []
prices = []
rev_rates = []
rev_counts = []

今回の対象は「商品一覧：10ページ分」つまり

https://demo-store.com/living/chair/?page=1から
https://demo-store.com/living/chair/?page=10までが対象です

よって?page={}として、ページ数箇所を変数とし、format(i)で変数箇所にiを埋め込みます

iにはfor文で1から10までの数字を順に当てはめていきます

for i in range(1,11):
    url = 'https://demo-store.com/living/chair/?page={}'.format(i)

ややこしいですがrange(1,11)で、1から10までの数字が入ることになります

. . . . .

相手サーバーへの負荷配慮としてimplicitly_waitでロードの際に3秒の間隔が空くように設定

    browser.implicitly_wait(3)

「?page={}箇所に連番が入ったURL」を取得

    browser.get(url)

一覧ページでは、商品ごとにpd_boxで囲われていました
その中に、それぞれの商品名（pd_name）や価格（pd_price）が含まれている

よってpd_boxの中身を探し終えたら、次のpd_boxの中身を探し始める、という内容のfor文とします

find_elements_by_class_nameで指定したクラス名の要素を取得し、リストとしてpd_boxesに格納

    pd_boxes = browser.find_elements_by_class_name('pd_box')

pd_box1つあたりに対し、「pd_name／pd_price／rev_rate／rev_count」を探し、取得し、それぞれリストとして格納していく。完了したら次のpd_boxに対し同様の処理を行っていく

    for pd_box in pd_boxes:

        name = pd_box.find_element_by_class_name('pd_name').text
        names.append(name)

        price = pd_box.find_element_by_class_name('pd_price').text
        price = price.replace("¥","").replace(",","")
        prices.append(price)

        rev_rate = pd_box.find_element_by_class_name('rev_rate').text
        rev_rates.append(rev_rate)

        rev_count = pd_box.find_element_by_class_name('rev_count').text
        rev_count = rev_count.replace("(","").replace("件)","")
        rev_counts.append(rev_count)

名前や価格を取得しつつ、「¥」や「件」などの不要文字列はreplaceにより削除しています

. . . . .

取得したデータを確認

names

['Ultra Chair','Super Chair','Hyper Chair'...]

prices

['10000','20000','30000'...]

rev_rates

['5','5','5'...]

rev_counts

['26','36','46'...]

ちゃんとデータ取得できています

CSV出力

取得したデータは現時点では個々のリストになっているので、データフレームとしてまとめます

import pandas as pd
df = pd.DataFrame()

リスト毎に列を作成

df['name'] = names
df['price'] = prices
df['rev_rate'] = rev_rates
df['rev_count'] = rev_counts

内容確認のため、データフレームの上から5行目までを表示

df.head()

問題無くデータフレームになっているので、CSVファイルに変換します

df.to_csv('living_chair.csv', index=False)

CSVファイルが出力されました

総括

他社サイトの商品情報をスクレイピングで収集し、CSVファイルにまとめました

• 各商品のレビュー投稿数を、販売数とある程度の相関があると仮定し、販売数予測の目安とする
• 価格帯ごとのレビュー評価（満足度）を分析する

など、競合分析において活用のできる、データファイルが取得できたかと考えます