「ウェブ・スクレイピング」を編集中

'''ウェブ・スクレイピング'''（[[英語]]：web scraping）とは、[[ウェブ]]上の[[HTML]]などから機械的に[[データ]]を抜き出すことを言う。単に「スクレイピング」と呼ばれることも多い。

==概要==
ウェブスクレイピングとは、日本語に直訳すると「ウェブ削り」であり、[[ウェブクローラー]]などで取得した[[HTML]]などの[[データ]]から余計な部分を削ぎ落とし、目的とする部分を抜き出す[[ソフトウェア]]、およびそのような行為のことである。

基本的には以下のような手順となる。
*ウェブクローラーで丸ごと保存
*ウェブスクレイパーでガリガリ解析
実際には[[ウェブクローラー]]が取得した大量の[[データ]]（いわゆる[[ビッグデータ]]）から[[データマイニング]]を行う[[プログラム]]的な意味合いが強いが、[[ウェブ魚拓]]的な用途を除けば加工せずに扱うこと自体が非常に稀であるため、[[ウェブクローラー]]と区別するのが面倒なのでクローラーの一部として扱われることが多い。

また、[[AJAX]]の普及などに伴い本来は[[HTML]]上の[[JavaScript]]で取得している非公式の[[ウェブAPI]]を直接的に叩き、[[データ]]を抜き取るような手法も確認されている。

==手法==
[[プログラミング言語]]でやる場合にもっとも手軽なのは[[正規表現]]でぶっこ抜くという手法である。
これは極端に言えば古くから[[UNIX]]の[[sedコマンド]]などで行われていたデータ加工となんら変わらない。

もう少し複雑なものでは専用のHTMLパーサー（[[HTML]]を解析できるライブラリ）を使用してぶっこ抜くという手法が用いられる。
これらは内部的には上記の正規表現を用いたものから、[[XML]]に変換して解析を行うもの、独自の解析を行うものなど様々である。

さらに既存の[[ウェブブラウザ]]のエンジンである[[Gecko]]や[[WebKit]]などを用いて[[JavaScript]]の挙動まで再現してぶっこ抜くという手法もある。
たとえば[[.NET Framework]]で[[GeckoFX]]を用いれば「DOMのreadyイベントを待ってから解析を開始する」などといったことができる。

==主なライブラリ==
===PHP===
*[[Simple HTML DOM Parser]]
*:重い
*[[Goutte]]
*:軽い
===Ruby===
*[[Nokogiri]]

===.NET===
*[[AngleSharp]]
*: 最近の流行りらしい。
*[[Html Agility Pack]]
*:かなり精度は高い。手軽。並列処理にも強い。
*[[GeckoFX]]
*:[[Firefox]]そのものを利用する。[[iOS]]や[[Android]]のアプリ開発で頻出する[[WebView]]に類似するもので、[[HTML5]]かつほぼ[[JavaScript]]だけで描画を行っているページですら完璧にぶっこ抜くことが出来てしまう。

=== その他 ===
* [[Selenium]]
*: あらゆる[[言語]]に[[移植]]されているぞ。速度と[[メモリリーク]]させ無視できるなら無敵だ。

==関連項目==
*[[クローラー]]
*[[ウェブクローラー]]

==参考文献==
{{reflist}}

{{stub}}