だいぶ前にSeleniumの存在を知っておきながら、まともに試さず時間が経った。
Selenium WebDriverをPythonから叩けばスクレイピングもお手軽だよなぁ、と思い始めた。
Python環境でもpipで簡単にSeleniumをインストールできる。
ブラウザはChromeを使いたいので、別途ブラウザ用のWebDriverとしてChromeDriverもダウンロードした↓
https://sites.google.com/a/chromium.org/chromedriver/
PythonからWebDriverの実行ファイルを叩くような使い方をするらしい。
スクレイピングでSeleniumを使う1番のメリットは、ログインが必要なサイトや、JavaScriptの実行を求めるサイトでも普通のブラウザ操作としてコードが書ける点。複雑なWebの仕組みを抽象化するためにブラウザを間に噛ます感じ。(全部コーディングでやろうとして苦労したことがある…)
Seleniumでサイトのデータを粗く取得して、Beautiful Soupなどのライブラリで詳細にtextをパースしていけば良いんじゃないかな。
https://blog.negativemind.com/2014/06/15/python%E3%81%AE%E3%82%B9%E3%82%AF%E3%83%AC%E3%82%A4%E3%83%94%E3%83%B3%E3%82%B0%E3%83%A9%E3%82%A4%E3%83%96%E3%83%A9%E3%83%AA%E3%80%8Ebeautifulsoup%E3%80%8F/
始めるにあたって参考にしたのはこちら↓
http://nfnoface.hatenablog.com/entry/2017/03/08/212300
https://dev.classmethod.jp/tool/eclipse/windows-selenium-headless-chrome/
何で急にスクレイピングの勉強を再開したかと言うと、最近は機械学習を手軽に試せるライブラリが充実してきたのに、手元にあんまり面白いデータが無かったから。
そして、個人のPCで試せる程度の演算負荷と考えると、画像よりもtextデータの方が色々と試行しやすい気もしている。単位時間あたりに沢山試せた方が学びがあるんじゃないかな。
スクレイピングや言語処理にはそれほど詳しくないんだけど、幸い広く浅く紹介している書籍の存在を知った。↓
画像認識にニューラルネットワークを使う理屈は何となく知ってるけど、言語処理については全く知らないので勉強してみたくなった。
最近Qiitaによく使う正規表現のまとめ記事がアップされたので助かる。
https://qiita.com/dongri/items/2a0a18e253eb5bf9edba
関連記事
ニューラルネットワークで画像分類
hloc：SuperGlueで精度を向上させたSfM・Vis...
UnityのMonoBehaviourクラスをシングルトン化...
PyMC：Pythonのベイズ統計ライブラリ
ZScript
iOSで使えるJetpac社の物体認識SDK『DeepBel...
iPhone・iPod touchで動作する知育ロボット『R...
書籍『仕事ではじめる機械学習』を読みました
Raspberry Pi 2のGPIOピン配置
Javaで作られたオープンソースの3DCGレンダラ『Sunf...
OANDAのfxTrade API
仮想関数
pythonもかじってみようかと
Python for Unity：UnityEditorでP...
OpenCV 3.3.0 contribのsfmモジュールの...
HD画質の無駄遣い
libigl：軽量なジオメトリ処理ライブラリ
書籍『ROSプログラミング』
タマムシっぽい質感
OpenCV
まだ続くブログの不調
Unity ARKitプラグインサンプルのドキュメントを読む
Mean Stack開発の最初の一歩
C#で使える遺伝的アルゴリズムライブラリ『GeneticSh...
Swark：コードからアーキテクチャ図を作成できるVSCod...
Blendify：コンピュータービジョン向けBlenderラ...
ポリゴンジオメトリ処理ライブラリ『pmp-library (...
PyTorch3D：3Dコンピュータービジョンライブラリ
ROSでガンダムを動かす
OpenCV 3.3.0-RCでsfmモジュールをビルド
OpenGVの用語
Twitter APIのPythonラッパー『python-...
オープンソースの物理ベースGIレンダラ『appleseed』
Windows10でPyTorchをインストールしてVSCo...
BGSLibrary：OpenCVベースの背景差分ライブラリ
Mechanizeで要認証Webサイトをスクレイピング
組み込み向けのWindows OS 『Windows Emb...
OpenCV 3.1とopencv_contribモジュール...
動的なメモリの扱い
Open3D：3Dデータ処理ライブラリ
Seleniumを使ったFXや株の自動取引
Raspberry PiのGPIOを操作するPythonライ...
コメント