【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】

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。

目次

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)

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。

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

read_html()でDOMという構造にしていきます。

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

▼のような結果になります。

{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/ …

<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。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

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。

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。

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

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

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。

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

  • 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

UdemyでR言語について学ぶこともできます。以上Rを使ってHTMLドキュメントのスクレイピングするという話でした。

参考文献

この記事が気に入ったら
フォローしてね!

プロフィール背景画像
さぎのみやの画像
さぎのみや
編集者/超書手

コメント

コメントする

CAPTCHA


目次
閉じる