ソースコードからデータを抽出する

1) Inner html  からデータを抽出する

HTMLは、Webページを作成するためのマークアップ言語の1つです。要素の内部HTMLを抽出すると、その要素に含まれるHTMLマークアップが取得されます。ですから、画像やアイコンの形で表示された情報には、まず内部HTMLを抽出し、データ再フォーマットツールで取得したコードから対象データを抽出できます。

食べログのサイトでレストランの画像URLを例として紹介します。

• 最初の画像をクリックします。
• 「選択した要素のInner htmlを抽出する」を選択します。 

抽出されたInner htmlが「データフィールド」に追加して下記のコードを取得できました。

画像のURL（https://tblg.k-img.com/resize/100x100c/restaurant/images/Rvw/125306/125306243.jpg?token=acada8b&api=v2）は、Webページで直接利用できないコードに含まれています。今、正規表現でデータを再フォーマットすることで、URLの部分を取得できます（HTMLの再フォーマットはパート3を見る）。

2) Outer html からデータを抽出する

Outer htmlは、開始タグと終了タグ、およびコンテンツを含む要素属性です。ですから、Inner htmlより、Outer htmlはより多くの情報を提供できます。Inner htmlに見つからない情報はOuter htmlに置くかもしれません。

yelp.comでレストランの星評価を例として紹介します。

Outer htmlを抽出する手順は、Inner htmlの手順と似ています。

• 必要なデータをクリックします。
• 「操作ヒント」から「選択した要素のOuter htmlを抽出する」を選択します。

3) RegExツールでデータを再フォーマットする

データ再フォーマット は、抽出されたデータを処理するのに非常に役立ちます。Octoparseにはデータ再フォーマットツールがあります。 このチュートリアルでは、データの再フォーマットについて説明します。

データ再フォーマットを利用するには、

• データフィールドを選択します。
• をクリックして、フィールドをカスタマイズします。
• 「データを再フォーマット」をクリックします。
• 「ステップを追加する」をクリックします。

　　 正規表現によるマッチングする

• 「正規表現によるマッチング」を選択します。
• 「正規表現ツールを試す」をクリックします。
• マッチ基準を入力します：で始める 「aria-label=" 」, で終わる 「" 」
• 「生成する」をクリックしてから「マッチング」をクリックすると、星の評価 (4 star rating)の数値と一致します。
• 「応用する」をクリックします。
• 「保存」をクリックして設定を保存します。