def __create_url_for_csv(self, filename: str) -> None:
""" 検索データ情報リスト生成(csvから生成)
著者名リストを生成．別途著者名をキーとしたハッシュマップを生成し，データとして検索開始日を保持する
[I] filename : 確認対象ファイル名
"""
Debug.tmpprint("func : create_url_for_csv")
encode_str = "utf-8"
csv_type = CsvUtil.is_utf8_file_with_bom(filename)
if csv_type is CsvEncodeType.UTF_8_BOM:
encode_str = "utf-8-sig"
elif csv_type is CsvEncodeType.SHIFT_JIS:
encode_str = "shift_jis"
else:
encode_str = "utf-8"
serach_list_dict = {}
# csv読込み
with open(filename, mode="r", encoding=encode_str, newline="") as csvfile:
reader = csv.reader(csvfile)
next(reader) # ヘッダ読み飛ばし
# データ生成
for row in reader:
# dictionaryに著者名をキーとしてデータを保持
if row[1] == "":
row[1] = datetime.datetime.today().strftime("%Y/%m/%d") # 期間が空白なら，実行日を設定
serach_list_dict[row[0]] = row[1]
# 結果を保持
self.search_infos = serach_list_dict
def analysis_url(self, divs: List[webdriver.remote.webelement.WebElement],
target_author: str) -> List[BookInfo]:
""" 検索結果解析
検索結果から以下を解析
本のタイトル
発売日
著者名
価格
商品ページへのURL
[I] html_info : requets.get結果
[O] BookInfo : 解析結果
"""
Debug.tmpprint("func : analysis_url")
book_infos: List[BookInfo] = []
# 情報解析/取得
for div in divs:
book_info = BookInfo()
# 著者名
book_info.author = self.__get_book_author(div)
# TODO:著者名が検索対象と一致しなければとばす
# マッチ条件どうするか
#if book_info.author != target_author:
# continue
# タイトル
book_info.title = self.__get_book_title(div)
# 発売日
book_info.date = self.__get_book_date(div)
# 価格
book_info.price = self.__get_book_price(div)
# 商品URL
book_info.url = self.__get_book_url(div, book_info.title)
# 結果保持
book_infos.append(book_info)
return book_infos
def create_search_info_list(self, filename:str) -> None:
""" 検索データ情報リストの生成
著者名リストを生成．別途著者名をキーとしたハッシュマップを生成し，データとして検索開始日を保持する
[I] filename : 確認対象ファイル名
[O] dict : キー=著者名，データ=検索開始日
"""
Debug.tmpprint("func : create_search_info_list")
if filename.find(".csv") > 0:
self.__create_url_for_csv(filename)
else:
self.__create_url_for_db()
def main():
Debug.tmpprint("Start\n")
# ファイルチェック
# ファイルが見つからなかった場合は，新規にファイルを作成し，終了する
#if check_search_file(READ_FILE_NAME) == False:
# print("finish!")
# return
# クローリング用クラス生成
book_crawling = BookInfoCrawling()
# DB設定
#if book_crawling.set_table_key("nyasai") is False:
# print("finish!")
# return
# 検索データ取得
book_crawling.create_search_info_list(READ_FILE_NAME)
# 著者リスト生成
book_crawling.create_author_list()
# 著者リスト保持
target_author_list = book_crawling.get_author_list()
# url生成
url_list = book_crawling.create_url()
# 検索
all_book_infos: List[BookInfo] = []
book_scraping = BookInfoScraping()
search_cnt = 0
for url in url_list:
# 検索結果取得
Debug.tmpprint(url)
search_result_divs = book_crawling.exec_search(url)
# 正常に結果が取得できた場合
if len(search_result_divs) != 0:
# 解析実行
one_author_book_info = book_scraping.analysis_url(
search_result_divs, target_author_list[search_cnt])
# 結果をリストに保持
all_book_infos.append(one_author_book_info)
# 結果出力
#output_result(one_author_book_info, book_crawling.get_author_list()[search_cnt], book_crawling.get_serch_info()[book_crawling.get_author_list()[search_cnt]])
search_cnt += 1
# ドライバクローズ
book_crawling.cloase_driver()
# 結果出力
# TODO: 既に一度出力していれば無視するか？それとも毎回全上書きを行うか？
# 既にファイルが有れば，そのファイルとの差分をとって結果を何かしらで通知．
# ファイルがなければ全て通知
output_result_for_csv(all_book_infos, book_crawling.get_author_list(),
book_crawling.get_serch_info())
output_result_for_html(all_book_infos, book_crawling.get_author_list(),
book_crawling.get_serch_info())
print("finish!")
def create_url(self) -> List[str]:
""" URL生成
著者名から検索用URLを生成する
[I] name_data : 著者名リスト
[O] list : URLリスト
"""
Debug.tmpprint("func : create_url")
url_list = []
# 全key名でURLを生成し，listに保持
for search_name in self.__author_list:
Debug.tmpprint(search_name)
url_list.append(AMAZON_SEARCH_URL + urllib.parse.quote(search_name.encode("utf-8")) + AMAZON_SEARCH_URL2) # 日本語を16進数に変換
return url_list
def check_search_file(filename: str) -> bool:
""" 検索リストファイル確認
ファイルが存在しなければ，新たに生成する
[I] filename : 確認対象ファイル名
"""
Debug.tmpprint("func : check_search_file")
if os.path.isfile(filename) == True:
return True
else:
print("検索対象リストが見つかりません．新規に生成します．")
# ファイル生成
strs = "著者名(名字と名前の間は空白を入れないこと),取得開始期間(空なら実行日を開始日として取得)\n"
with open(filename, mode="w", encoding="utf-8-sig",
newline="") as csvfile:
csvfile.write(strs)
return False
def __create_url_for_db(self) -> None:
""" 検索データ情報リスト生成(DBから生成)
著者名リストを生成．別途著者名をキーとしたハッシュマップを生成し，データとして検索開始日を保持する
[I] filename : 確認対象ファイル名
"""
Debug.tmpprint("func : __create_url_for_db")
serach_list_dict = {}
# DB読込み
serach_info = self.__db_ctrl.get_db_search_list()
# データ生成
for row in serach_info:
# dictionaryに著者名をキーとしてデータを保持
if row.search_date is None:
row.search_date = datetime.datetime.today().strftime("%Y/%m/%d") # 期間が空白なら，実行日を設定
serach_list_dict[row.author_name] = row.search_date
# 結果を保持
self.search_infos = serach_list_dict
def create_db(self, user_name: str) -> bool:
""" DB生成
"""
try:
# 接続
self.__connect_db()
# テーブル生成
# 未生成時のみ生成を行う
#self.__user_info_tbl_cursor.execute("drop table if exists %s" % USER_INFO)
# ユーザ情報テーブル
self.__user_info_tbl_cursor.execute(
"create table if not exists %s (user_name text primary key, table_name text)"
% USER_INFO)
#
self.__book_info_tbl_name = user_name + BOOK_INFO
#self.__book_info_tbl_cursor.execute("drop table if exists %s" % (table_name))
self.__book_info_tbl_cursor.execute(
"create table if not exists %s (author_name text primary key, date text)"
% (self.__book_info_tbl_name))
# 検索情報テーブルを追加
query_str = "insert into " + USER_INFO + " values (?, ?)"
# 現データ数取得
#self.__user_info_tbl_cursor.execute("select count(*) from %s " % self.__user_info_tbl_name)
#data_max = self.__user_info_tbl_cursor.fetchall()
self.__user_info_tbl_cursor.execute(
query_str, (user_name, self.__book_info_tbl_name))
except sqlite3.Error as e:
# 検索対象情報テーブル名保持
self.__book_info_tbl_name = user_name + BOOK_INFO
Debug.dprint(e.args[0])
return False
# output
for row in self.__user_info_tbl_cursor.execute("select * from %s" %
USER_INFO):
Debug.tmpprint(row)
for row_sub in self.__book_info_tbl_cursor.execute(
"select * from %s" % row[1]):
Debug.tmpprint(row_sub)
# 接続解除
self.__disconnect_db()
return True
def add_book_info(self, author: str, date: str):
""" 検索対象情報追加
[I] author : 著者名 [I] date 出力対象日閾値
"""
# 接続
self.__connect_db()
# 追加
try:
query_str = "insert into " + self.__book_info_tbl_name + " values (?, ?)"
self.__book_info_tbl_cursor.execute(query_str, (author, date))
except sqlite3.Error as e:
Debug.dprint(e.args[0])
# output
for row in self.__book_info_tbl_cursor.execute(
"select * from %s" % self.__book_info_tbl_name):
Debug.tmpprint(row)
# 接続解除
self.__disconnect_db()
def output_result_for_csv(all_book_infos: List[List[BookInfo]],
author_list: List[str], output_date: dict):
""" CSV書き込み
著者名と本リスト，URL，発売日，価格を保存する
[I] all_book_infos : 解析後の本情報(全著者分)，author_list : 著者名リスト，output_date : 出力対象の日付
"""
Debug.tmpprint("func : output_result_for_csv")
output_filename = "new_book_info_" + datetime.datetime.now().strftime(
"%Y%m%d%H%M%S") + ".csv"
#csvオープン
with open(output_filename, mode="a", newline="",
encoding='utf-8-sig') as csvfile:
csvfile.write("著者名,タイトル,発売日,価格,商品URL\n")
# 検索対象データ分ループ
for author_cnt in range(0, len(author_list), 1):
book_infos = all_book_infos[author_cnt]
# 1検索対象データの結果リストから，著者名が一致するもののみを取得
book_info_cnt = 0
for book_info in book_infos:
try:
if book_info.author.find(author_list[author_cnt]) != -1:
# 期間が指定日以降なら保存する
if datetime.datetime.strptime(book_info.date, "%Y/%m/%d") \
>= datetime.datetime.strptime(output_date[author_list[author_cnt]],"%Y/%m/%d"):
output_str = ""
# 著者名
output_str += book_info.author + ","
# タイトル
output_str += book_info.title + ","
# 発売日
output_str += book_info.date + ","
# 価格
output_str += "\"" + book_info.price + "\","
# 商品URL
output_str += book_info.url + "\n"
csvfile.write(output_str)
except IndexError:
print("IndexError!! -> " + book_info.author)
book_info_cnt -= 1
continue
book_info_cnt += 1
def output_result_for_html(all_book_infos: List[List[BookInfo]],
author_list: List[str], output_date: dict):
""" HTML書き込み
著者名と本リスト，URL，発売日，価格を保存する
[I] all_book_infos : 解析後の本情報(全著者分)，author_list : 著者名リスト，output_date : 出力対象の日付
"""
Debug.tmpprint("func : output_result_for_html")
output_filename = "new_book_info_" + datetime.datetime.now().strftime(
"%Y%m%d%H%M%S") + ".html"
#csvオープン
with open(output_filename, mode="a", newline="") as htmlfile:
# 検索対象データ分ループ
for author_cnt in range(0, len(author_list), 1):
book_infos = all_book_infos[author_cnt]
# 1検索対象データの結果リストから，著者名が一致するもののみを取得
book_info_cnt = 0
for book_info in book_infos:
try:
if book_info.author.find(author_list[author_cnt]) != -1:
# 期間が指定日以降なら保存する
if datetime.datetime.strptime(book_info.date,"%Y/%m/%d") \
>= datetime.datetime.strptime(output_date[author_list[author_cnt]],"%Y/%m/%d"):
output_str = ""
# 著者
output_str += book_info.author + "<br/>"
# タイトル
output_str += book_info.title + "<br/>"
# 発売日
output_str += book_info.date + "<br/>"
# 価格
output_str += book_info.price + "<br/>"
# 商品URL
output_str += '<a href="' + book_info.url + 'target="_blank"' + '">Link</a><br/><br/>'
htmlfile.write(output_str)
except IndexError:
print("IndexError!! -> " + book_info.author)
book_info_cnt -= 1
continue
book_info_cnt += 1
def __get_book_price(self,
div: webdriver.remote.webelement.WebElement) -> str:
""" 本の価格取得
[I] div : htmlデータ
[O] list : 本の価格リスト
"""
Debug.tmpprint("func : get_book_price")
# 価格部分抽出
html_element = lxml.html.fromstring(div.get_attribute('innerHTML'))
prices = html_element.xpath(
"//div[contains(@class, 'sg-row')]"\
"//div[contains(@class, 'sg-col-inner')]"\
"//div[contains(@class, 'a-row')]"\
"//span[contains(@class, 'a-price')]"
"//span[contains(@class, 'a-offscreen')]")
formatting_author_str: str = ""
for price in prices:
formatting_author_str = price.text_content().encode(
"utf-8").decode("utf-8")
Debug.tmpprint(formatting_author_str)
break
return formatting_author_str
def __get_book_url(self, div: webdriver.remote.webelement.WebElement,
title_info: list) -> str:
""" 本の商品ページURL取得
[I] div : htmlデータ
[O] list : 本の商品ページリスト
"""
Debug.tmpprint("func : get_book_url")
# URL部分抽出
html_element = lxml.html.fromstring(div.get_attribute('innerHTML'))
urls = html_element.xpath(
"//div[contains(@class, 'sg-row')]"\
"//div[contains(@class, 'sg-col-inner')]"\
"//div[contains(@class, 'a-section a-spacing-none')]"\
"//h2[contains(@class, 'a-size-mini a-spacing-none a-color-base s-line-clamp-2')]"\
"//a[contains(@class, 'a-link-normal a-text-normal')]"\
"//@href")
LINK_URL = "https://www.amazon.co.jp"
result_url_str = ""
for url in urls:
result_url_str = LINK_URL + url
Debug.tmpprint(result_url_str)
break
return result_url_str
def __get_book_title(self,
div: webdriver.remote.webelement.WebElement) -> str:
""" 本のタイトル取得
[I] div : htmlデータ
[O] list : 本のタイトルリスト
"""
Debug.tmpprint("func : get_book_title")
# 商品タイトル部分抽出
html_element = lxml.html.fromstring(div.get_attribute('innerHTML'))
titles = html_element.xpath(
"//div[contains(@class, 'sg-row')]"
"//div[contains(@class, 'sg-col-inner')]"
"//div[contains(@class, 'a-section a-spacing-none')]"
"//h2[contains(@class, 'a-size-mini a-spacing-none a-color-base s-line-clamp-2')]"
"//span[contains(@class, 'a-size-medium a-color-base a-text-normal')]"
)
formatting_title_str: str = ""
for title in titles:
formatting_title_str = title.text_content().encode("utf-8").decode(
"utf-8")
Debug.tmpprint(formatting_title_str)
break
return formatting_title_str
def __get_book_date(self,
div: webdriver.remote.webelement.WebElement) -> str:
""" 本の発売日取得
[I] div : htmlデータ
[O] list : 本の発売日リスト
"""
Debug.tmpprint("func : get_book_date")
# 発売日部分取得
html_element = lxml.html.fromstring(div.get_attribute('innerHTML'))
dates = html_element.xpath(
"//div[contains(@class, 'sg-row')]"\
"//div[contains(@class, 'sg-col-inner')]"\
"//div[contains(@class, 'a-section a-spacing-none')]"\
"//div[contains(@class, 'a-row a-size-base a-color-secondary')]"\
"//span[contains(@class, 'a-size-base a-color-secondary a-text-normal')]")
formatting_title_str: str = ""
for date in dates:
formatting_title_str = datetime.datetime.strptime(
date.text_content().encode("utf-8").decode("utf-8"),
"%Y/%m/%d").strftime("%Y/%m/%d")
Debug.tmpprint(formatting_title_str)
break
return formatting_title_str
def exec_search(self, url:str) -> List[webdriver.remote.webelement.WebElement]:
""" 検索実行
渡されたURLから検索処理を実行する
[I] url : 検索実行URL
[O] 検索結果
"""
Debug.tmpprint("func : exec_search")
self.__driver.get(url)
body = self.__driver.find_element_by_tag_name("body")
body.send_keys(Keys.CONTROL + 't')
divs = self.__driver.find_elements_by_class_name('s-result-item')
# 失敗時は一定時間待ってから再度取得を試みる
if len(divs) == 0:
is_ok = False
for retry in range(0,REQUEST_RETRY_NUM,1):
time.sleep(REQUEST_WAIT_TIME *( retry+1))
# 再度実行
divs = self.__driver.find_elements_by_class_name('s-result-item')
if len(divs) != 0:
is_ok = True
break
else:
if retry == REQUEST_RETRY_NUM:
# リトライ上限に達した
Debug.dprint("request err -> " + self.__author_list[self.__search_cnt])
if is_ok == False:
# 最後まで成功しなかった場合該当データ削除
self.__search_infos.pop(self.__author_list[self.__search_cnt])
self.__author_list.pop(self.__search_cnt)
# 結果なし
divs = []
# 検索ログ出力
Debug.dprint("search author(" + str(self.__search_cnt + 1) + "/" + str(self.get_author_list_num()) + ") -> " + self.__author_list[self.__search_cnt])
# 検索数を進める
self.__search_cnt += 1
# 結果を返す
return divs
def __get_book_author(self,
div: webdriver.remote.webelement.WebElement) -> str:
""" 本の著者名取得
[I] div : htmlデータ
[O] list : 本の著者名リスト
"""
Debug.tmpprint("func : get_book_author")
# 著者名部分抽出
html_element = lxml.html.fromstring(div.get_attribute('innerHTML'))
authors_link = html_element.xpath(
"//div[contains(@class, 'sg-row')]"\
"//div[contains(@class, 'sg-col-inner')]"\
"//div[contains(@class, 'a-section a-spacing-none')]"\
"//div[contains(@class, 'a-row a-size-base a-color-secondary')]"\
"//a[contains(@class, 'a-size-base')]")
authors_nonlink = html_element.xpath(
"//div[contains(@class, 'sg-row')]"
"//div[contains(@class, 'sg-col-inner')]"
"//div[contains(@class, 'a-section a-spacing-none')]"
"//div[contains(@class, 'a-row a-size-base a-color-secondary')]"
"//span[contains(@class, 'a-size-base')]")
formatting_author_str: str = ""
is_continue = lambda target_str: target_str == "" or target_str == "、 " or target_str == ", "
is_break = lambda target_str: target_str == " | "
for author in authors_link:
tmp_str = author.text_content().encode("utf-8").decode("utf-8")
# 無効，区切りは無視
if is_continue(tmp_str):
continue
# 日付との区切り部分のため終了
if is_break(tmp_str):
break
# 改行と空白を削除
tmp_str = tmp_str.replace("\n", "")
tmp_str = tmp_str.replace(" ", "")
formatting_author_str = tmp_str
Debug.tmpprint(formatting_author_str)
for author in authors_nonlink:
tmp_str = author.text_content().encode("utf-8").decode("utf-8")
# 無効，区切りは無視
if is_continue(tmp_str):
continue
# 日付との区切り部分のため終了
if is_break(tmp_str):
break
# 改行と空白を削除
tmp_str = tmp_str.replace("\n", "")
tmp_str = tmp_str.replace(" ", "")
# 現状保持無しなら新規追加
if len(formatting_author_str) == 0:
formatting_author_str = tmp_str
else:
# 保持していれば文字列追加
formatting_author_str += ("、" + tmp_str)
Debug.tmpprint(formatting_author_str)
return formatting_author_str