Yelpからビジネス情報を取得する

Sunday, April 08, 2018 10:41 AM

Octoparse 7.Xでは、Webサイトのリストからデータスクラビング操作を簡単にしました。 このチュートリアルでは、yelp.comを例として、リストからデータをスクラビングする方法について説明します。

このチュートリアルで次のURLを例として使います。

https://www.yelp.com/search?find_desc=&find_loc=Seattle%2C+WA&ns=1

 

この度はレストラン名、レストランのWebサイト、価格帯、電話、星評価、カテゴリなどの情報を抽出します。

以下はチュートリアルの主な手順です。[タスクファイルをダウンロードする]

1) 「Go To Web Page」 - 内蔵ブラウザで対象のWebページを開く

2) ページ遷移のループを作る - 複数のページからデータを取得する

3) 「Loop Item」を作る - 各ページ上のデータを取得する

4) データを抽出する - 抽出したいデータを選択する

5) データカスタマイズ - 星の評価を再フォーマットする

6) 抽出タスクを始める - タスクの実行を行いデータを取得する

 

 

 

1) 「Go To Web Page」 - 内蔵ブラウザで対象のWebページを開く

      · 「Advanced Mode」を選択し、タスクを作ります。 自由度の高いAdvanced modeは、複雑なウェブサイトを対応できます。使い慣れたら、ほとんどのウェブサイトでスクレイピングを実行できます。

      · URLを入力して「Save URL」をクリックします。

      · 「Workflow」をオンにするとタスクの作りはやすくなります。

 

 

 

2) ページ遷移のループを作る - 複数のページからデータを取得する

      · ページの下にある「Next」ボタンをクリックし、「Action Tips」パネルから「Loop click the selected link」を選択します。

 

 

 

3) 「Loop Item」を作る - 各ページ上のデータを取得する

      · 一番目のリスト製品のタイトルをクリックすると、Octoparseはページ内の同じのURLを自動的に識別します。

      · 「Action Tips」にある「Select all」をクリックします。

      · 「Loop click each element」をクリックします。

 

 

 

 

 

4) データを抽出する - 抽出したいデータを選択する 

      · 必要なデータをクリックし、「Action Tips」にある「Extract text of the selected element」を選択します。

  · フィールド名を編集します。

 

ヒント!

「Stars Rating」をクリックする時、「Extract inner HTML of the selected element」を選択してください。抽出したデータは、正規表現で処理する必要があります。それがステップ5で行われます。

 

 

 

 

5) データカスタマイズ - 星の評価を再フォーマットする

場合によっては、必要なデータが不要な文字列と一緒HTMLに隠れることがあります。たとえば、星の評価を抽出したいですが、それをクリックして抽出できないようです。この場合、まずHTMLを抽出し、不要な文字列を削除するために抽出したデータを再フォーマットする必要があります。この例では、再フォーマットに3つのステップがあります。

    

           1. 「Star_Rating」フィールドを直す

           · データフィールドを選択し、「Customize data field」をクリックします。

           · Refine extracted data」、「Add step」、「Match with Regular Expression」を順番に選択します。

           · 「Try RegEx Tool」を選択します。

           · 「Star with」に「 alt=" 」を入力、「End with」に 「star rating"」を入力,「generate」をクリックしてから「Match」をクリックすると、「Matches」フィールドに結果が表示されます。

           · Apply」と「OK」をクリックします。

 

star_rating modify

     

           2. 「Address 」と「Category」にある不要なスペースを削除する

           · 「Category」データを選択し、「Customize data field」をクリックします。

           · 「Refine extracted data」と「Add step」を選択し、「Replace with Regular Expression」をクリックします。

           · 「Regular Expression」に 「\s+」を入力、「Replace With」にスペースを入力、「Evaluate」をクリックします。

           · OK」をクリックします。

delete unwanted spaces

     

           3. 「Title」位置の精度を向上させる

           Webページにさまざまな構造があるため、データが見つからない場合はXPathを変更する必要もあります。

           · 「Title」データを選択し、「Customize data field」をクリックします。

           · 「Customize Xpath」を選択します。

           · 「Matching XPath」に「//H1」を入力します。

           · 「OK」をクリックします。

 

 modify the xpath of Address

 

 

 

6) 抽出タスクを始める - タスクの実行を行いデータを取得する

      · Save」をクリックします。

      · Start Extraction」をクリックします。

 

 

 

 

 

この記事は役に立ちましたか?もしご不明な点がございましたら、いつでもお問い合わせください!

 

btn_sidebar_use.png