pythonでwebクローリング,webスクレイピング,文字取得と画像保存

11711 ワード
Python3 Python RPA 自動化 スクレイピング Python テキストリンク

下準備

import re
import requests
from pathlib import Path
import requests
from bs4 import BeautifulSoup

作業フォルダを作る

output_folder = Path('作業フォルダ')
output_folder.mkdir(exist_ok=True)

yahoo天気のデータを取得したい

requestsを使ってhtmlの要素を取得する。

url = 'https://weather.yahoo.co.jp/weather/jp/13/4410.html'
html = requests.get(url).text

このままだと読みにくいのでBeautifulSoupで構造を書き直す

soup = BeautifulSoup(html, 'lxml')

soupを確認して取得したい情報がどこにあるか確認する。
今回は今日明日の天気を取得したいとする。

ctrl + F で該当ワードを検索する。

class="yjMt"が確認できた。

soupで要素を指定して取得

today = soup.select('.yjMt')

divが取得したいときは　select('div')
classが取得したいときは('.class')
idが取得したいときは('#id')
imgが取りたいときは selectよりsoup.find_all('img') の方が便利かも

取得できた内容を確認

today

[<h2 class="yjMt">今日明日の天気</h2>,
 <h2 class="yjMt">週間天気</h2>,
 <h2 class="yjMt">ピンポイント天気</h2>]

三つの要素が取れてしまうので、listの番号を指定して取り出す必要がある。

同じ要領で最高最低気温を取得

high = soup.select('.high')
low = soup.select('.low')

low

[<li class="low"><em>25</em>℃[+2]</li>,
 <li class="low"><em>28</em>℃[+3]</li>]

今日明日の情報が入ってきているのでlistの番号を指定。
不要な文字列を取り除く。

today_low= str(low[0]).replace('<li class="high"><em>', '').replace('</em>', '').replace('</li>', '')

画像の取得

webサイト上で画像を右クリック
urlをコピーしてctrl + F で該当urlを検索する。

classがpictであると分かった

pict = soup.select('.pict')
pict

[<p class="pict"><img alt="曇時々雨" border="0" src="https://s.yimg.jp/images/weather/general/next/size150/203_day.png"/>曇時々雨</p>,
 <p class="pict"><img alt="曇のち晴" border="0" src="https://s.yimg.jp/images/weather/general/next/size150/266_day.png"/>曇のち晴</p>,
 <div class="cmnMod pict">
 <ul>
 <li>
 <dl>
 <dt>雨雲レーダー</dt>
 <dd><a data-ylk="slk:zmradar; pos:1" href="//weather.yahoo.co.jp/weather/zoomradar/?lat=35.6965&amp;lon=139.4472&amp;z=10"><img alt="雨雲の動き" height="150" src="https://weather-pctr.c.yimg.jp/r/iwiz-weather/raincloud/1599021000/202010-0000-pf1300-20200902133000.gif?w=200&amp;h=150" width="200"/>
 </a></dd>
 </dl>
 </li><!--
 --><li>
 <dl>
 <dt>天気図</dt>
 <dd><a data-ylk="slk:chart; pos:1" href="/weather/chart/"><img alt="天気図" height="150" src="https://weather-pctr.c.yimg.jp/r/iwiz-weather/chart_v2/1599012878/WM_ChartA_20200902-090000.jpg?w=200&amp;h=150" width="200"/>
 </a></dd>
 </dl>
 </li><!--
 --><li>
 <dl>
 <dt>気象衛星</dt>
 <dd><a data-ylk="slk:stlt; pos:1" href="/weather/satellite/"><img alt="気象衛星" height="150" src="https://weather-pctr.c.yimg.jp/r/iwiz-weather/satellite_v2/1599022735/WM_H-JPN-IR_20200902-140000.jpg?w=200&amp;h=150" width="200"/>
 </a></dd>
 </dl>
 </li>
 </ul>
 </div>]

画像のurlだけが取得したい。
画像urlの前後に「"」があるので、これを指定文字として文字区切りする。
区切った後のリストから該当urlのあるリスト番号を指定する。

sp = re.split('"', str(pict))
sp[7]

'https://s.yimg.jp/images/weather/general/next/size150/203_day.png'

urlから画像を取り出してPILで表示させる

from PIL import Image
from io import BytesIO

img = requests.get(sp[7]).content
today_pict = Image.open(BytesIO(img))
today_pict

別解

aタグ内のimgだけを取り出す方法もある

a_img = soup.select('a > img')

取り出しからsplitして、拡張子一致で画像だけに絞る

str_img = str(a_img).split('"')
l_in = [s for s in str_img if '.jpg' in s]

保存

today_pict.save("today_pict.png")

以上