おすすめノイズキャンセリングヘッドホンはこちら
スクレイピング

【R】Rを使ってHTMLドキュメントのスクレイピングする【DOMの説明あり】

scraping

複雑なHTMLサイトから、スクレイピングするのは大変です。

普通に、意味わかんないサイトがあります。

そこで簡単なHTMLで構成されたサイトから、スクレイピングしてみます。

スクレイピングするサイト

石田基広さんのサイトを使います。一度、ご覧ください。

>>>今回スクレイピングするサイト

「Rによるスクレイピング入門」という本を参考にさせていただきます。

サイト自体は、めっちゃシンプルですよね。

だからこそ、スクレイピングの勉強となります。

今回使うパッケージ

パッケージ名説明
rvestWebページから情報を抽出する作業を簡単にしてくれる
dplyrデータフレームを簡単に操作できる(パイプ演算子を使う)
magrittrオブジェクトの一部の抽出または置換(パイプ演算子を使う)

DOMを理解する

サイト内のURLを取得したい!

テキスト部分を取得したい!

と考えても、HTMLドキュメント(サイトにアクセスして表示されるもの)のまま、Rで読み込むことはできません。

htmlドキュメントをツリー構造にした「DOM」というものから、スクレイピングします。

HTMLドキュメント

DOM


スクレイピング

このような流れとなります。

大事な部分なので、「DOM」について見ていきます。

DOMはHTMLドキュメントのツリー構造化したもの

html

DOMはHTMLドキュメントの要素をツリー構造化したものです。

上の図をご覧ください。

ツリー構造のようになっているのがなんとなくわかりますよね。

【html】という木に【head】という枝があり、その枝から【title】という枝が存在している。

【html】という木に【body】という枝があり、その枝から【h1】【a】という枝が存在している。

また、【html】は【head】の親要素、【head】は【html】の子要素のように、親子関係で言われることもあります。

要素をノードという

もう一度、先ほどの図をご覧ください。

DOMでは、HTMLドキュメント内の要素をノードいいます。【html】【body】【title】【a】【h1】すべて、ノードと言います。

ノード、子ノード、 親ノード、 兄弟姉妹ノードなどノードによって名前は違いますが、説明を省きます(今回は重要ではない)

スポンサーリンク

HTMLドキュメントをDOMにして読み込む

DOMの説明が長くなりましたが、HTMLドキュメントを読み込んでいきます。

先にパッケージを読み込んでいきます。

ここにボックスタイトルを入力

library(rvest)
library(dplyr)
library(magrittr)

read_html()でDOMという構造にしていきます。

DOMにして読み込む

test <- read_html(“https://ishidamotohiro.github.io/sample_check/simple.html”)

test 

 

▼のような結果になります。

<html>という木に<head>、<body>という枝があるようなことがわかれば、大丈夫。

{xml_document}

<html>

[1] <head>\n<meta http-equiv=”Content-Type” content=”text/html; charset=U …

[2] <body>\n <h1>大見出し</h1>\n <a href=”http://www.okadajp.org/RWiki/ …

DOMにできれば、要素を抽出することが可能になります。

大見出し(h1)要素の抽出

要素の抽出

test %>% html_nodes(“h1”)

test

{xml_nodeset (1)}
[1] <h1>大見出し</h1>

という結果になります。html_nodes()でh1ノードを指定しています。これによって、h1要素全体を取り出すことが可能です。

要素の値を抽出

test %>% html_nodes(“h1”) %>% html_text()

test

[1] “大見出し”

という結果になります。h1要素の中の要素(テキスト)の部分を、抽出したということですね。

リンクのURLの取り出し

URLを取り出します。

リンクのURL取り出し

test %>% html_nodes(“a”) %>% html_attrs()

[[1]]
            href 
“http://www.okadajp.org/RWiki/”

[[2]]
      href       target 
“http://rmecab.jp”      ”_blank”

html_nodes()でa要素を抽出して、html_attrs()でURLを取り出しています。

属性の値だけを抽出

属性の値だけ抽出

test %>% html_nodes(“a”) %>% html_attr(“href”)

[1] “http://www.okadajp.org/RWiki/” “http://rmecab.jp”

この結果となります。

hrefという属性の値を抽出することが出来ます。

指定されたノードが出てくる最初の要素を抽出

指定されたノードを出てくる最初の要素

test %>% html_node(“a”)

<a href=”http://www.okadajp.org/RWiki/”>

という結果になります。html_node()で指定したノードが出てくる、最初の要素を抽出します。

番号指定して属性の値を抽出

1番目に出てくるURLを抽出、2番目に出てくるURLを抽出など、決めることができます。

magrittrパッケージのextract()を使います。

番号指定して属性の値を抽出

test %>% html_nodes(“a”) %>% html_attr(“href”) %>% extract(1)

“http://www.okadajp.org/RWiki/”

この結果になります。html_nodesでa要素を抽出して、URLを取り出し、その一番目を表示といった感じです。

extract(1)extract(2)にすれば、二番目のURLを抽出することができます。

まとめ

まとめ

  • スクレイピングにはDOMを使う
  • ノードを使って、抽出する
  • %>%演算子を使うと、わかりやすい

●ゼロから始めるR言語に戻る

あわせて読みたい
R言語
【随時更新】ゼロから始めるR言語【2018/3/30日更新】RとRStudioのインストールからグラフ・図・分析、テキストマイニング、スクレイピングなどをやっていきます。ネットでRを勉強したい人は是非ご覧ください。...

以上さぎのみや(@gumimomoko)でした。今日もあなたの毒を抜きました。少しは体が軽くなりましたか?

参考文献

とてもスクレイピングをする際に参考になる本です。

ABOUT ME
さぎのみや
さぎのみや
「物事の本質を見抜く」をテーマに発信している19才の理系大学生ブロガー。「R」・「本」・「行動経済学」のことを中心に発信中。グミは100種類以上食べてきました。アイコンは可愛いですけど、男です。お仕事依頼はTwitterからお願いします。 →Polcaで応援Amazonほしいものリスト
おすすめ音楽アプリ「AWA」
  • 新たな音楽の扉が開く
  • 4300万楽曲
  • 最高の音質
  • 参加アーティスト多数

今だけ有料プランが3か月無料です!

詳しくみる