Beautiful Soupを利用してPythonでスクレイピングを行う環境構築方法の解説

2017/02/11 2017/04/29

PythonのBeautiful Soupを利用してスクレイピングを実行

Beautiful Soupとは？

　
「Beautiful Soup」は、スクレイピングに特化した機能を持っている Pythonのライブラリです。
「Beautiful Soup」は、スクレイピングに特化した機能を持っているため、スクレイピングによる情報の取得が簡単な記述で取得できるようになります。
　
　
「Selenium WebDriver、Pythonをインストールしブラウザ自動操作の環境構築手順のまとめ」で、Seleniumの記事を書いていますが、Seleniumでブラウザを自動操作しつつ、スクレイピングをしていく処理を構築する上で、BeautifulSoupは強力なツールになってくれます。
Pythonでスクレイピングの処理を構築する場合は、ぜひとも利用したいライブラリですね。
　
　
この記事では、Windows10の環境にセットアップする想定で書いていますので、その点はご了承ください。
　
　

Beautiful Soupをインストール

　
現在の Beautiful Soupの最新バージョンは 4になっていますので、Beautifulsoup4をインストールします。
　
　

Python、pipインストールの確認

　
ですが、BeautifulSoup4を利用するには、Pythonがインストールされている必要があり、Pythonのライブラリをインストールするには、pipというツールが必要です。
　
すでに pipもインストールされていれば問題ないですが、まだインストールをしていない場合は、下記の記事を参考にして、pipのインストールをしてください。
　Selenium WebDriver、Pythonをインストールしブラウザ自動操作の環境構築手順のまとめ
　
　

BeautifulSoup4のインストール

　
BeautifulSoup4のインストールは、下記のコマンドで実行します。
　
下記コマンドでインストール（pipにパスが通っていない場合はパス付で実行）
　

c:\python27\Scripts\pip install beautifulsoup4

1	c:\python27\Scripts\pip install beautifulsoup4

C:\> c:\python27\Scripts\pip install beautifulsoup4
Collecting beautifulsoup4
  Downloading beautifulsoup4-4.5.3-py2-none-any.whl (85kB)
    100% |################################| 92kB 430kB/s
Installing collected packages: beautifulsoup4
Successfully installed beautifulsoup4-4.5.3

C:\>

C:\> c:\python27\Scripts\pip install beautifulsoup4

Collecting beautifulsoup4

Downloading beautifulsoup4-4.5.3-py2-none-any.whl (85kB)

100% |################################| 92kB 430kB/s

Installing collected packages: beautifulsoup4

Successfully installed beautifulsoup4-4.5.3

C:\>

　
　
コマンドを実行し、「Successfully installed beautifulsoup4-4.5.3」と出てきたら、BeautifulSoup4のインストールは正常終了したことになります。
　
　
ツールのインストールだけなので、簡単ですね。
　
BeautifulSoup4の使い方に関しては、また別記事でご紹介します！
　
　

スクレイピングに関連する記事

　
スクレイピングを行うに当たって、「Beautiful Soup」だけを使って実行することはないわけですが、私がスクレイピングを行う際に使ったものとして、Selenium WebDriverというブラウザを自動的に操作するツールがあります。
それらに関連する記事をご紹介しておきます。あわせてご覧ください。
　
　Selenium WebDriver、Pythonをインストールしブラウザ自動操作の環境構築手順のまとめ
　 PythonでUTF-8など日本語（全角文字）を使う方法。コメントにも必要。
　Pythonをコマンドラインで実行。全角文字（日本語）を引数にする場合の対処方法
　 Selenium WebDriverでFirefoxをプライベートウィンドウ／Chromeをシークレットモードで起動する方法・言語はpython
　Selenium WebDriver、Pythonをインストールし Chromeの自動操作の環境構築手順のまとめ
　 Beautiful Soupを利用してPythonでスクレイピングを行う環境構築方法の解説
　 PythonでMySQLへの接続ライブラリMySQL-pythonの簡単インストール方法
　 PythonでURLの有無、存在をチェックするスクリプト

- プログラミング・Web関連技術

最後までお読みいただきましてありがとうございます。
この記事が参考になったと思いましたらソーシャルメディアで共有していただけると嬉しいです！

Message コメントをキャンセル

※入力いただいたコメントは管理者の承認後に掲載されます。

: FTPでダウンロード時にファイルが重複するため上書きしますか？と表示される問題

FTPでファイルをダウンロードする際に「ファイルが重複しています。上書きしますか？」というメッセージが出る場合がありますが、これの原因と対策、解決策の記事です。

: PythonでURLの有無、存在をチェックするスクリプト

PythonでURLが存在するか否かのチェックスクリプト。ライブラリ「urllib2」を使い、指定のURLにアクセスしそのレスポンスコードを判別するという仕組み。

: WordPress、Webサイトの表示高速化！画像を軽くする基本的な考え方

画面表示の高速化には画像のファイル容量を小さくする方法があります。ツールを使わなくても小さくするための基本的な考え方を解説します。

: ブラウザのキャッシュを活用するの対策！広告バナーを消して表示を高速化

あなたのサイトが遅いのはバリューコマースのバナーではないですか？バリューコマースのバナーを外すだけでmod_deflateとmod_expiresを設定するより効果があります！

: さくらサーバのmb_send_mailでメール送信時にmalformed header from script ‘xxx.php’: Bad header: xxxのエラーが

さくらインターネットのレンタルサーバからPHPのmb_send_mail()関数を利用してメールを送信するとInternal Server Errorが発生。その原因は、メールアドレスが登録されていないこと。

: 本当に？GMO系ロリポップ・ヘテムルを無料で運用する方法があった！

ロリポップ、ヘテムルを株主優待を利用して実質無料で運営しよう!という解説記事です。株主優待で提供されるサービスの内容を解説し、無料になる仕組みを解説します。

: Webサイト公開時に重複コンテンツを排除する.htaccessのリダイレクトの設定のまとめ

サイトを公開する際にはURLの正規化は必須です。正規化とは何かを解説し、.htaccessに設定すべきリダイレクトの設定を具体的に説明します。

: chromedriver.exe – ディスクがありませんと出てSeleniumの設定が上手くいかない

Selenium WebDriverを使ってChromeを自動操作する仕組みを作る際、chromedriver.exeを利用しますが、ディスクがありません、というエラーが発生する場合があります。その対処方法を解説します。

: .gitignoreを更新しても反映されないときは「git rm -r –cached .」でキャッシュを削除

gitの.gitignoreを変更しても記述内容が反映されない時がある。それはGitのキャッシュが残っているため。そんなときは「git rm」コマンドを使ってキャッシュを削除すれば解決する。