2020年3月7日 / 最終更新日時 : 2022年11月16日 officeの杜 JavaScript

Puppeteerでウェブサイトをスクレイピング

PhantomJSが消えた今(クラウドサービスは生きてる）、ウェブの情報スクレイピングする手段としては、SeleniumとPuppeteerくらいかなぁというのも、最近のウェブは動的に情報を生成しているので、例えばGoogle Apps Scriptで拾いに行っても、JavaScript実行前の骨組みしか取得できないケースがあったりします。

しかし、PuppeteerはただChromeの操作を自動化するだけじゃなく、ウェブスクレイピングでも力を発揮します。ということで、今回世間を騒がせているマスク情報を手に入れるべく、対象のページの商品情報を取得してみたいと思います。実際には、このコードに更にIFTTTのWebhooksを使ってLINEに通知したり、TeamsのIncoming Webhookを叩いたり、また「アイマスク」などのノイズ情報も除去したり、Node-Cronで定期的に自動実行させてやる必要があるので、こんな事も出来るよってサンプルです。

1 今回使用するモジュール
2 事前準備
- 2.1 セレクターの取得
- 2.2 モジュールのインストール
3 ソースコード
- 3.1 スクレイピングするコード
4 関連リンク

今回使用するモジュール

今回はスクレイピングさせる為の補助として、cheerioと呼ばれるNode.js上でjQueryのようにDOM操作をする事のできるモジュールを入れています。

また、macOS用に作っているので、executablePathは/Applications/Google Chrome.app/Contents/MacOS/Google Chromeとなります。

※スクレイピングは相手のサーバに負荷を掛ける手法です。よって、非常に短いスパンで連続アクセスするような行為はNGです。

事前準備

セレクターの取得

今回のPuppeteerは自動操作というよりは、ウェブスクレイピングの処理なのでほぼほぼNode.jsでコーディングする形になります。しかし、ページのどこの部分をスクレイピングするか？ということで、はじめにセレクターを渡してあげる必要があります（でないと全体取得になってしまう）

このセレクタですが、Chromeデベロッパーツールで簡単に取得が可能です。以下の手順でページの対象部分のセレクタを取得しておきます。

Chromeで対象のページを表示する
商品群の情報が出てるエリアを右クリック⇒検証でデベロッパーツールが起動
商品エリアの部分が今回の取得対象となる部分。
3.を右クリック⇒Copy⇒Copy Selectorを選択
今回のコードのselector変数に入れる。これで完了。

図：セレクタの取得は意外と簡単

モジュールのインストール

これはとても簡単。

フォルダを作成し、npm init -yを実行
以下のコマンドでモジュールをインストール
index.jsを作成して、node index.jsで実行。これだけ

npm install cheerio
npm i puppeteer

1 2	npm install cheerio npm i puppeteer

ソースコード

スクレイピングするコード

"use strict"
const puppeteer = require('puppeteer-core');
const path = require("path");
const cheerio = require('cheerio');
//Chromeのパスを取得
var chromepath = "/Applications/Google Chrome.app/Contents/MacOS/Google Chrome";
//puppeteer発動
main();
//ブラウザ操作メイン関数
async function main() {
const browser = await puppeteer.launch({
headless: false,
executablePath: chromepath,
ignoreDefaultArgs: ["--guest",'--disable-extensions','--start-fullscreen','--incognito',],
slowMo:200,
});
　　//pageを定義
const page = await browser.newPage()
const navigationPromise = page.waitForNavigation()
//対象のウェブサイトを開く
var url = "ここに対象のURLを入れる"
await page.goto(url, { waitUntil: 'domcontentloaded' }); // domを読み込むまで待機
await page.setViewport({ width: 1536, height: 714 })
await navigationPromise
//メイン部分を取得（Chrome Dev Toolでセレクターをそのまんま貼り付け）
var selector = "ここに対象の取得しておいたセレクターを入れる";
//HTMLデータを取得
var html = await page.$eval(selector, item => {
return item.innerHTML;
});
//cheerioに食わせる
const $ = await cheerio.load(html)
//データ用配列
var amaarray = [];
//data-indexの値を拾っていく
await $('.s-result-item').each((index, element) => {
//配列を用意する
var dataman = {};
// 指定の要素内のdata-index属性の値を取得する
const dataindex = $(element).data("index");
dataman.dataindex = dataindex;
//商品の価格を取得
const itemPrice = $(element).find('商品価格のClassを指定').text();
dataman.itemPrice = itemPrice;
//品名を取得
const itemName = $(element).find('商品名が入ってるClassを指定').text();
dataman.itemName = itemName;
//商品のURL取得してみたり
const itemLink = $(element).find('URLが入ってるclassを指定').attr('href');
let amaurl = "ここにドメイン名を入れる" + itemLink;
dataman.itemLink = amaurl;
//スターを取得する
const itemStar = $(element).find('スター情報のClassを指定').text();
dataman.itemStar = itemStar;
//ポイントを取得する
const itemPoint = $(element).find('ポイント情報のclassを指定').children('span').text();
dataman.itemPoint = itemPoint;
//配列にぶっこむ
amaarray.push(dataman);
});
　　
//データを出力する
await console.log(amaarray)
//ブラウザを閉じる
await browser.close()
}

"use strict"

const puppeteer = require('puppeteer-core');

const path = require("path");

const cheerio = require('cheerio');

//Chromeのパスを取得

var chromepath = "/Applications/Google Chrome.app/Contents/MacOS/Google Chrome";

//puppeteer発動

main();

//ブラウザ操作メイン関数

async function main() {

const browser = await puppeteer.launch({

headless: false,

executablePath: chromepath,

ignoreDefaultArgs: ["--guest",'--disable-extensions','--start-fullscreen','--incognito',],

slowMo:200,

});

　　//pageを定義

const page = await browser.newPage()

const navigationPromise = page.waitForNavigation()

//対象のウェブサイトを開く

var url = "ここに対象のURLを入れる"

await page.goto(url, { waitUntil: 'domcontentloaded' }); // domを読み込むまで待機

await page.setViewport({ width: 1536, height: 714 })

await navigationPromise

//メイン部分を取得（Chrome Dev Toolでセレクターをそのまんま貼り付け）

var selector = "ここに対象の取得しておいたセレクターを入れる";

//HTMLデータを取得

var html = await page.$eval(selector, item => {

return item.innerHTML;

});

//cheerioに食わせる

const $ = await cheerio.load(html)

//データ用配列

var amaarray = [];

//data-indexの値を拾っていく

await $('.s-result-item').each((index, element) => {

//配列を用意する

var dataman = {};

// 指定の要素内のdata-index属性の値を取得する

const dataindex = $(element).data("index");

dataman.dataindex = dataindex;

//商品の価格を取得

const itemPrice = $(element).find('商品価格のClassを指定').text();

dataman.itemPrice = itemPrice;

//品名を取得

const itemName = $(element).find('商品名が入ってるClassを指定').text();

dataman.itemName = itemName;

//商品のURL取得してみたり

const itemLink = $(element).find('URLが入ってるclassを指定').attr('href');

let amaurl = "ここにドメイン名を入れる" + itemLink;

dataman.itemLink = amaurl;

//スターを取得する

const itemStar = $(element).find('スター情報のClassを指定').text();

dataman.itemStar = itemStar;

//ポイントを取得する

const itemPoint = $(element).find('ポイント情報のclassを指定').children('span').text();

dataman.itemPoint = itemPoint;

//配列にぶっこむ

amaarray.push(dataman);

});

//データを出力する

await console.log(amaarray)

//ブラウザを閉じる

await browser.close()

}

今回はmacOS上で動かしてるので、executablePathは異なります。
ロードするURLは検索結果画面からのスタートになります。
selector変数には前項の事前準備で取得した対象のセレクタを指定します。
html変数にawait page.$evalにてまずは、セレクター内のHTMLを取得させておきます。
取得したHTMLはそのままでは扱いが面倒なので、cheerioに渡してjQuery風にDOM操作出来るようにしておきます。
最初のクラス以下をforEachで回して各商品の情報を取得させていきますので、配列等を用意しておく
その中に子要素や孫要素が入ってるのですが1個ずつ掘っていくのは骨が折れるので、class指定でfindで探させます。
URLの場合には、hrefをattrにて取得するようにします。
これらの情報は用意しておいた{}にkey名と共に突っ込んでいく
最後に配列に情報の塊をぶっこむ。
相手のウェブの仕様が変われば作り直しになるのは、ウェブスクレイピングの宿命

Puppeteerでウェブサイトをスクレイピング

今回使用するモジュール