urllibを使ってhtmlデータを取得 #Python #WebScraping

ウェブスクレイピングとは、

ウェブスクレイピング（Web scraping）とは、ウェブサイトから情報を抽出するコンピュータソフトウェア技術のこと。ウェブ・クローラー(Web crawler) あるいはウェブ・スパイダー(Web spider)とも呼ばれる。通常このようなソフトウェアプログラムは低レベルのHTTP（Hypertext Transfer Protocol）を実装することで、もしくはInternet ExplorerまたはMozilla FirefoxなどのWebブラウザを埋め込むことによって、人間によるWWWのブラウジングをシミュレートする。

のことです。

どんな言語を使っても実装出来ないことはないですが、C++やJavaを使って実装するよりは、Perl,Python,Rubyを使って実装するほうが容易です。当ブログはPythonのブログなので、Pythonを使ってウェブスクレイピングをやってみたいと思います。

一番最初に、ウェブスクレイピングの中でももっともシンプルなプログラムを書いてみたいと思います。urllibというライブラリを使って、当ブログのURLにアクセスし、HTMLを一行ずつ出力するという簡単なプログラムです。

In [1]: import urllib

In [2]: html = urllib.urlopen("http://oneshotlife-python.hatenablog.com/")

In [3]: print(html.readline())
<!DOCTYPE html>


In [4]: print(html.readline())
<html


In [5]: print(html.readline())
  lang="ja"


In [6]: