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
Google App Engine上のWordPressでF...
オープンソースの取引プラットフォーム
TeleSculptor：空撮動画からPhotogramme...
Amazon EC2ログイン用の秘密鍵を無くした場合の対処方...
Runway ML：クリエイターのための機械学習ツール
ROMOハッカソンに行ってきた
3D復元技術の情報リンク集
FreeMoCap Project：オープンソースのマーカー...
BGSLibrary：OpenCVベースの背景差分ライブラリ
Raspberry Pi
iOSデバイスと接続して連携するガジェットの開発方法
Iridescence：プロトタイピング向け軽量3D可視化ラ...
hloc：SuperGlueで精度を向上させたSfM・Vis...
Dlib：C++の機械学習ライブラリ
Kubric：機械学習用アノテーション付き動画生成パイプライ...
仮想関数
MVStudio：オープンソースのPhotogrammetr...
Google Chromecast
手を動かしながら学ぶデータマイニング
クラスの基本
3Dグラフィックスの入門書
Javaで作られたオープンソースの3DCGレンダラ『Sunf...
Google App EngineでWordPress
TensorFlowでCGを微分できる『TensorFlow...
SVM (Support Vector Machine)
OpenMVSのサンプルを動かしてみる
OpenCV バージョン4がリリースされた！
3Dモデルを立体視で確認できるVRアプリを作っている
ROSでガンダムを動かす
今年もSSII
openMVG：複数視点画像から3次元形状を復元するライブラ...
Python.NET：Pythonと.NETを連携させるパッ...
viser：Pythonで使える3D可視化ライブラリ
AnacondaとTensorFlowをインストールしてVi...
C++ 標準テンプレートライブラリ (STL)
オープンソースのロボットアプリケーションフレームワーク『RO...
OpenCV 3.1のsfmモジュールを試す
Unityで画面タッチ・ジェスチャ入力を扱う無料Asset『...
UnityのMonoBehaviourクラスをシングルトン化...
2D→3D復元技術で使われる用語まとめ
trimesh：PythonでポリゴンMeshを扱うライブラ...
WordPressプラグインの作り方
コメント