スクリプトやコメントの抽出

ライブラリBeautiful Soupにおいて「スクリプトやコメントの抽出」は、HTML中の<script>タグやHTMLコメント（<!-- コメント -->）に含まれる内容を取得・操作する際に使用されます。以下にその詳しい方法と注意点を説明します。

1. <script>タグの抽出

HTML内のJavaScriptコードを含む<script>タグを対象に抽出するには、通常のタグ検索と同様にfind()やfind_all()を用います。

使用例

python
from bs4 import BeautifulSoup

html = '''
<html>
  <head>
    <script type="text/javascript">
      console.log("Hello from script");
    </script>
  </head>
</html>
'''

soup = BeautifulSoup(html, 'html.parser')
script_tag = soup.find('script')
print(script_tag.string)  # スクリプトの中身のみを取得

説明

  • script_tag.stringを使うことで、<script>タグ内部のテキスト（JavaScriptコード）を取得できます。

  • .textや.get_text()でも取得可能ですが、.stringはタグ内に純粋な文字列しか含まれていない場合に最も適しています。

2. コメントの抽出

HTMLコメント（<!-- -->）は通常のタグとは異なり、Commentクラスを使って抽出します。

使用例

python
from bs4 import BeautifulSoup, Comment

html = '''
<html>
  <body>
    <!-- これはコメントです -->
    <p>本文</p>
  </body>
</html>
'''

soup = BeautifulSoup(html, 'html.parser')
comments = soup.find_all(string=lambda text: isinstance(text, Comment))

for comment in comments:
    print(comment)

説明

  • string=lambda text: isinstance(text, Comment)というフィルタを使って、コメントノードを抽出します。

  • Commentはbs4モジュールからインポートします。

  • コメントも文字列とみなされますが、通常のテキストとは区別して扱われます。

注意点

  • コメントはHTMLとしては表示されませんが、HTML構造を分析・処理する際にはメタ情報や意図的な注釈として活用されている場合があります。

  • <script>タグ内の内容もHTMLとは異なる構文（JavaScript等）を含むため、パースエラーにならないようにBeautiful Soupでは文字列として安全に扱われます。

まとめ

対象 使用方法
<script> soup.find('script').string
コメント soup.find_all(string=lambda t: isinstance(t, Comment))

Beautiful SoupはHTMLだけでなく、その中に埋め込まれた非HTML要素（スクリプト、コメント）も扱える柔軟なライブラリです。適切な抽出手法を選ぶことで、構造解析や前処理の精度を高めることができます。

ChatGPT4o 生成日：2025/06/19