この記事にはプロモーションが含まれています。

【PHP】スクレイピングする方法｜データベース保存のソースコードあり

2024-08-202024-09-12

ケケンタ

PHPでスクレイピングしてみたいんだけど、やり方がわからない……

このようなお悩みをお持ちの方に向けて、この記事では

PHPでスクレイピングする方法

を解説します。

この記事でわかること

PHPのライブラリパッケージを使用してスクレイピングする方法
スクレイピングの実践的なソースコード

PHPではパッケージを使用しなくても比較的簡単にスクレイピングする方法が用意されています。

しかし、その方法では最低限のことしか実装できないため、当記事では応用のしやすも重視する意味で、パッケージでスクレイピングする方法をご紹介します。

ケケンタ

スクレイピングが初めての方やPHPを触り始めたばかりの方にとっては難しく感じる部分もあるかと思いますが、まずは当記事のソースコードを丸々コピペして動作を確認するだけでも勉強になるかと思います。

また、記事の後半では、サイト全体に対するスクレイピングやデータベースへの保存など、より実践的なソースコードもご紹介しています。
基本的なソースコードだけではなく、「スクレイピングを実践で使用するイメージ」を掴んでいただければと思っています。

Webアプリ開発に興味がある方におすすめの記事

プログラミング初心者におすすめ！掲示板アプリの作り方【PHP】

【PHP】ログイン機能の仕組み・ソースコード解説｜ハッシュ値とは？

————

WordPressのスキルを伸ばしたい方におすすめの書籍

脱！WordPress初心者のための一冊

HTMLサイトをWordPressにする本 [ 久保田涼子 ]

created by Rinker

WordPressカスタマイズの基礎

WordPressユーザーのためのPHP入門　はじめから、ていねいに。　第4版 [ 水野史土 ]

created by Rinker

体系的に基本スキルを習得！

ビジネスサイトを作って学ぶ WordPressの教科書 Ver.6.x対応版 [ 小川欣一 ]

created by Rinker

上級者を目指すための一冊

サイトの拡張性を飛躍的に高める WordPressプラグイン開発のバイブル[ 宮内隆行 ]

created by Rinker

Web技術への理解を深め、Webアプリ開発者を目指したい方へ

「プロになるためのWeb技術入門」 ――なぜ、あなたはWebシステムを開発できないのか／小森裕介 (著)

by Amazon

プロになるためのWeb技術入門なぜ，あなたはWebシステムを開発できないのか [ 小森裕介 ]

created by Rinker

スクレイピングの前提知識

【その①】スクレイピングの仕組み

スクレイピングの大まかな流れは以下の通りです。

スクレイピングの流れ

欲しい情報が掲載されているページのドキュメントをダウンロードする
ダウンロードしたドキュメントをパース（構文解析）する＝どの情報がどの場所にあるのかを特定する
パースしたドキュメントから欲しい情報を抜き出す

今回はこの内、①と②をパッケージで対応します。
③についてはPHPの基本機能で実装可能です。

【その②】使用するパッケージ

今回のスクレイピングでは、以下の２つのパッケージを使用します。

使用するライブラリパッケージ

Guzzle
PHP DOM Wrapper

Guzzleとは？

PHPのHTTPクライアントのパッケージです。
今回はURLを指定して、そのページのドキュメントをダウンロードするために使用します。

PHP DOM Wrapperとは？

Webページのドキュメントをパース（構文解析）できるパッケージです。
今回はGuzzleでダウンロードしたドキュメントをパースするために使用します。

【その③】スクレイピングを行う際の注意点

スクレイピングはプログラムによってWebサイトの情報を自動で抽出する技術です。

そのため、人が手動でサイトへアクセスするのとは比にならない速度で処理が進みます。

何も対策をしないと、最悪スクレイピング対象のサイトのサーバーが過負荷に耐えられずに落ちてしまい、運営者から法的処置を取られてしまう可能性もあります。

ケケンタ

スクレイピングを本番サイト上で実施する際には主に以下の点に注意しましょう！

スクレイピングの注意点

対象のサイトに過剰な負荷をかけないように、情報取得処理の間に待機時間を設ける
スクレイピングが禁止されているサイトでは行わない
プログラムの不具合によりアクセス先のサイトに過剰な負荷をかけないよう、ローカル環境でのテストやデバッグを徹底する

各サイトにおけるスクレイピングに関するルールは、基本的に「https://ドメイン/robots.txt」に記載されています。
また、サービスによっては利用規約にもスクレイピングに関する禁止事項などを掲載しているので、そちらも事前にしっかり確認するようにしましょう

なお、この記事でご紹介するスクレイピングのソースコードでは、スクレイピング練習用サイト「スクレイピング練習場」様を利用させていただいています。
気兼ねなくスクレイピングの練習が可能ですのでご安心ください。（運営者様に感謝です）

【事前準備】Composerでパッケージをインストールする

それでは、ここから実際にスクレイピング機能を実装するための作業を進めていきます。

まずは今回のスクレイピングで利用する以下のパッケージをインストールしていきます。

使用するライブラリパッケージ

Guzzle
PHP DOM Wrapper

ケケンタ

パッケージのインストールにはComposerを使用します。

「Composerってなに？」という方やまだインストールしていないという方は以下の記事をご覧ください。

【Windows】Composerのインストール方法｜エラー時の対処も解説

【初心者向け】Composerの使い方を丁寧に解説！【PHP】

パッケージのインストール手順

この記事ではXAMPP環境で操作を進めていきます。

パッケージをComposerでインストールする大まかな流れ

スクレイピング実装用のプロジェクトディレクトリを作成する
作成したプロジェクトディレクトリ内にcomposer.jsonファイルを作成する
composer.jsonファイル内にパッケージインストール用の記述をする

STEP

スクレイピング実装用のプロジェクトディレクトリを作成する

まずはいつもPHPでアプリを作成するときと同様に、プロジェクトディレクトリを作成します。

STEP

作成したプロジェクトディレクトリ内にcomposer.jsonファイルを作成する

続いて、作成したプロジェクトディレクトリ内にcomposer.jsonファイルを作成します。

STEP

composer.jsonファイル内にパッケージインストール用の記述をする

普段お使いのテキストエディタでcomposer.jsonファイルを開き、下記を記述します。

{
    "require": {
        "guzzlehttp/guzzle": "*",
        "scotteh/php-dom-wrapper": "*"
    }
}

バージョンに「*」を指定することで最新バージョンがインストールされます。

STEP

プロジェクトディレクトリでターミナルを開く

プロジェクトディレクトリ上でターミナルを開きます。

Windows11の場合

プロジェクトディレクトリ内で「右クリック」→「ターミナルで開く」をクリック

Windows10の場合

プロジェクトディレクトリ内で「Shift + 右クリック」→「ターミナルで開く」をクリック
（※「ターミナルで開く」が無ければ「コマンドプロンプト」でもOK）

STEP

composer installコマンドを実行する

プロジェクトディレクトリ上でターミナルを開いたらcomposer installコマンドを実行します。

少し待ってみて、プロジェクトディレクトリ内にvendorディレクトリとcomposer.lockファイルが作成されていればOKです。

もし何らかのエラーが発生した場合は
①composer.jsonファイルに不要な全角スペースや文字列が含まれている
②コマンドの入力ミス
③ターミナルをプロジェクトディレクトリ以外の場所で開いてしまっている
などの原因が考えられます。

ケケンタ

以上で今回使用する２つのパッケージのインストールが完了しました！

このあとの章からは、実際にこれらのパッケージをファイル内に読み込んでスクレイピングを行っていきます。

【基本】PHPでスクレイピングをする

前述のとおり、今回はスクレイピング練習場をお借りしてスクレイピングを実行していきます。

トップ画面

今回作成するスクレイピングを実行するための基本的なソースコードは以下のとおりです。
※scrap.phpというファイルを新規に作成しています。

【ソースコード】スクレイピングを実行する

<?php 

// Composerでインストールしたパッケージを読み込む
require_once __DIR__ . '/vendor/autoload.php';

use DOMWrap\Document;
use GuzzleHttp\Client;

// スクレイピング対象のURL
$url = 'https://scraping-training.vercel.app/site?postCount=20&title=%E3%81%93%E3%82%8C%E3%81%AF{no}%E3%81%AE%E8%A8%98%E4%BA%8B%E3%81%A7%E3%81%99&dateFormat=YYYY-MM-DD&isTime=true&timeFormat=&isImage=true&interval=360&isAgo=true&countPerPage=2&page=1&robots=true&';

// URLを元にページ内のHTML構造を取得
$client = new Client;
$response = $client->get( $url );
$html     = (string) $response->getBody();
$doc      = new Document;
$node     = $doc->html( $html );

// スクレイピングを実行
// １つ目の記事の「タイトル」と「投稿日時」を取得
$title     = $node->find( 'article:nth-child(1) .post-title' )->text();
$post_date = $node->find( 'article:nth-child(1) time' )->text(); 

// スクレイピングした情報を出力
echo '投稿タイトル：' . $title . '<br />';
echo '投稿日時：' . $post_date;

?>

上記のソースコードを記述した上で、scrap.phpファイルへアクセスすると、スクレイピングが実行されてその結果がブラウザ上に表示されます。

ケケンタ

以下よりソースコードの解説をしていきます！

解説

①パッケージを読み込む

// Composerでインストールしたパッケージを読み込む
require_once __DIR__ . '/vendor/autoload.php';

ここではComposerの機能のひとつ「オートロード」を利用しています。
本来ならパッケージごとにrequireを記述する必要がありますが、「オートロード」を利用することで、上記の１行だけでComposerでインストールしたパッケージをファイルへ読み込むことが可能です。

②パッケージのクラスを使用できるようにする

use DOMWrap\Document;
use GuzzleHttp\Client;

③スクレイピングしたいページのURLを記述

// スクレイピング対象のURL
$url = 'https://　～省略～　';

④URL先のドキュメントをダウンロード　→　パース（構文解析）

// URLを元にページ内のHTML構造を取得
$client = new Client;
$response = $client->get( $url );
$html     = (string) $response->getBody();
$doc      = new Document;
$node     = $doc->html( $html );

⑤CSSセレクターを指定することで欲しい情報を取得

// スクレイピングを実行
// １つ目の記事の「タイトル」と「投稿日時」を取得
$title     = $node->find( 'article:nth-child(1) .post-title' )->text();
$post_date = $node->find( 'article:nth-child(1) time' )->text();

このように、スクレイピングでは欲しい情報のCSSセレクターを指定します。

※今回は例として「１ページにある１つ目の記事の『タイトル』と『投稿日時』」を取得しています。

CSSセレクターの確認方法がご不明な方におすすめの記事

あわせて読みたい

検証ツールでCSSの反映状況を確認して対処する方法【デベロッパーツール】こんにちは！　ケケンタです。今回は Google chromeの検証ツールを使用してCSSの反映状況を確認する方法+CSSが反映されていないときの対処方法について解説をします。…

⑥スクレイピングした情報をブラウザに出力

// スクレイピングした情報を出力
echo '投稿タイトル：' . $title . '<br />';
echo '投稿日時：' . $post_date;

ケケンタ

以上がスクレイピングのもっとも基本的なソースコードです！

これをベースとし、あとは

すべてのページの全記事の情報を取得する
取得した情報をデータベースへ保存する

などの実装ができれば、スクレイピングの基礎は身につけたと言えるのではないでしょうか。

【発展編】スクレイピングの基本コードをベースに実践的な実装に挑戦！

ここからはスクレイピングの基本的なソースコードを改変した、より発展的なソースコードをご紹介します。

ケケンタ

おおよその流れはお伝えしますが、細かい部分についてはあえて解説を割愛させていただきます。
まずはぜひご自身で実装に挑戦していただき、その答え合わせとしてご活用していただければと思います！

【発展①】サイト内すべての記事情報をスクレイピングする

全ページ数を取得する必要がある
各ページ内の記事数を取得する必要がある
記事の並び順に合わせたCSSセレクターを指定する必要がある
ページ番号が変わる＝URLが変わる（どんな法則で変わるのか？を知り、その性質を利用する）
（本番サイトを想定して）スクレイピングの実行間隔をあける

<?php 

require_once __DIR__ . '/vendor/autoload.php';

use DOMWrap\Document;
use GuzzleHttp\Client;

// 最後のページ番号
$last_page_num = getLastPageNum();

$client = new Client;

// ページごとの記事情報をスクレイピング
for( $i=1; $i<=$last_page_num; $i++ ){

    // スクレイピング対象のURL
    $url = 'https://scraping-training.vercel.app/site?postCount=20&title=%E3%81%93%E3%82%8C%E3%81%AF{no}%E3%81%AE%E8%A8%98%E4%BA%8B%E3%81%A7%E3%81%99&dateFormat=YYYY-MM-DD&isTime=true&timeFormat=&isImage=true&interval=360&isAgo=true&countPerPage=2&page='. $i .'&robots=true&';

    // URLを元にページ内のHTML構造を取得
    $response = $client->get( $url );
    $html     = (string) $response->getBody();
    $doc      = new Document;
    $node     = $doc->html( $html );

    // ページ内の記事数
    $article_num  = getArticleNum( $node );

    // セレクター
    $selectors = setSelectors( $article_num );

    // スクレイピングを実行
    // 現在のページ内の記事の「タイトル」と「投稿日時」を取得
    foreach( $selectors as $selector ){
        $title     = $node->find( $selector['title'] )->text();
        $post_date = $node->find( $selector['post_date'] )->text(); 

        // スクレイピングした情報を出力
        echo '投稿タイトル：' . $title . '<br />';
        echo '投稿日時：' . $post_date . '<br />';
        echo '-----------------<br />';

        // 待機時間
        sleep(3);
    }
}


/***********************************/
/* 関数定義 */
/***********************************/

/**
 * 最後のページを取得する
 */
function getLastPageNum()
{
    $client = new Client;

    // 取得情報
    $url = 'https://scraping-training.vercel.app/site?postCount=20&title=%E3%81%93%E3%82%8C%E3%81%AF{no}%E3%81%AE%E8%A8%98%E4%BA%8B%E3%81%A7%E3%81%99&dateFormat=YYYY-MM-DD&isTime=true&timeFormat=&isImage=true&interval=360&isAgo=true&countPerPage=2&page=1&robots=true&';

    // セレクター
    $last_page_selector = '.pagination > a:nth-last-child(2) > span';

    // レスポンス
    $response = $client->get( $url );
    $html     = (string) $response->getBody();
    $doc      = new Document;
    $node     = $doc->html( $html );

    // 取得情報
    $last_page_num = $node->find( $last_page_selector )->text();

    return $last_page_num;
}

/**
 * ページ内の記事数を取得
 */
function getArticleNum( $doc )
{
    $article_node = $doc->find( 'article' );
    return $article_node->count();
}

/**
 * ページ内の記事情報を取得するためのセレクターをセット
 */
function setSelectors( $article_num )
{
    $selectors = array();
    for( $j=1; $j<=$article_num; $j++ ){
        $selectors[] = [
            'title'     => 'article:nth-child(' . $j . ') .post-title',
            'post_date' => 'article:nth-child(' . $j . ') time',
        ];
    }
    return $selectors;
}

/***********************************/

?>

【発展②】スクレイピングした情報をデータベースに保存する

この【発展②】は、【発展①】にデータベースへの保存機能を取り付けたものです。
そのため、まずは【発展①】の理屈をきちんと理解してから挑戦することをおすすめします。

<?php 

require_once __DIR__ . '/vendor/autoload.php';

use DOMWrap\Document;
use GuzzleHttp\Client;

/**
 * DB接続情報
 */
const DB_HOST     = 'mysql:dbname=scraping;host=127.0.0.1;charset=utf8';
const DB_USER     = 'kekenta';
const DB_PASSWORD = 'kekenta_pass';

/**
 * 取得情報をデータベースに格納する
 * データベース接続処理
 */
try {
    $pdo = new PDO(DB_HOST, DB_USER, DB_PASSWORD, [
        PDO::ATTR_ERRMODE          => PDO::ERRMODE_EXCEPTION, 
        PDO::ATTR_EMULATE_PREPARES => false,
    ]);
    $sql = ('
        INSERT INTO
            scraping_practice01(title, post_date)
        VALUES
            (:TITLE, :POST_DATE)
    ');
    $stmt = $pdo->prepare($sql);
} catch (PDOException $e) {
    echo '接続失敗' . $e->getMessage();
    exit();
}

// 最後のページ番号
$last_page_num = getLastPageNum();

$client = new Client;
for( $i=1; $i<=$last_page_num; $i++ ){

    // スクレイピング対象のURL
    $url = 'https://scraping-training.vercel.app/site?postCount=20&title=%E3%81%93%E3%82%8C%E3%81%AF{no}%E3%81%AE%E8%A8%98%E4%BA%8B%E3%81%A7%E3%81%99&dateFormat=YYYY-MM-DD&isTime=true&timeFormat=&isImage=true&interval=360&isAgo=true&countPerPage=2&page='. $i .'&robots=true&';

    // URLを元にページ内のHTML構造を取得
    $response = $client->get( $url );
    $html     = (string) $response->getBody();
    $doc      = new Document;
    $node     = $doc->html( $html );

    // ページ内の記事数
    $article_num  = getArticleNum( $node );

    // セレクター
    $selectors = setSelectors( $article_num );

    // スクレイピングを実行
    // 現在のページ内の記事の「タイトル」と「投稿日時」を取得
    foreach( $selectors as $selector ){
        $title     = $node->find( $selector['title'] )->text();
        $post_date = $node->find( $selector['post_date'] )->text(); 
        $post_date = changeTimeToToday($post_date);

        // 取得情報をデータベースに格納する
        $stmt->bindValue(':TITLE'    , $title    , PDO::PARAM_STR);
        $stmt->bindValue(':POST_DATE', $post_date, PDO::PARAM_STR);
        $stmt->execute();

        // 待機時間
        sleep(3);
    }
}

// DBとの接続を切る
$pdo = null;
$stmt = null;


/***********************************/
/* 関数定義 */
/***********************************/

/**
 * 最後のページを取得する
 */
function getLastPageNum()
{
    $client = new Client;

    // 取得情報
    $url = 'https://scraping-training.vercel.app/site?postCount=20&title=%E3%81%93%E3%82%8C%E3%81%AF{no}%E3%81%AE%E8%A8%98%E4%BA%8B%E3%81%A7%E3%81%99&dateFormat=YYYY-MM-DD&isTime=true&timeFormat=&isImage=true&interval=360&isAgo=true&countPerPage=2&page=1&robots=true&';

    // セレクター
    $last_page_selector = '.pagination > a:nth-last-child(2) > span';

    // レスポンス
    $response = $client->get( $url );
    $html     = (string) $response->getBody();
    $doc      = new Document;
    $node     = $doc->html( $html );

    // 取得情報
    $last_page_num = $node->find( $last_page_selector )->text();

    return $last_page_num;
}

/**
 * ページ内の記事数を取得
 */
function getArticleNum( $doc )
{
    $article_node = $doc->find( 'article' );
    return $article_node->count();
}

/**
 * ページ内の記事情報を取得するためのセレクターをセット
 */
function setSelectors( $article_num )
{
    $selectors = array();
    for( $j=1; $j<=$article_num; $j++ ){
        $selectors[] = [
            'title'     => 'article:nth-child(' . $j . ') .post-title',
            'post_date' => 'article:nth-child(' . $j . ') time',
        ];
    }
    return $selectors;
}

/**
 * 今日の投稿なら$post_dateに「今日の日付」をセットする
 */
function changeTimeToToday( $post_date )
{
    if( strpos($post_date,(string)'前') !== false ){
        $post_date = date("Y-m-d");
    }
    return $post_date;
}

/***********************************/

?>