😀

まちカドまぞくのプロマイド一覧をシェル芸で作る

に公開
Ruby
Bash
Markdown
スクレイピング
シェル芸
tech

やること

image.png

動機

  • この度ローソンプリントからアニメ「まちカドまぞく」の素晴らしい各シーンを切り取ったプロマイドが公開された.

<blockquote class="twitter-tweet"><p lang="ja" dir="ltr">TVアニメ「まちカドまぞく」のキャラクター・1話～12話の名シーンをブロマイドとして店内マルチコピー機サービス「ローソンプリント」で販売開始♪
詳しくは→<a href="https://t.co/ByNiJOMOHY">https://t.co/ByNiJOMOHY</a><a href="https://twitter.com/hashtag/ローソン?src=hash&amp;ref_src=twsrc^tfw">#ローソン</a> <a href="https://twitter.com/hashtag/ローソンプリント?src=hash&amp;ref_src=twsrc^tfw">#ローソンプリント</a> <a href="https://twitter.com/hashtag/まちカドまぞく?src=hash&amp;ref_src=twsrc^tfw">#まちカドまぞく</a> <a href="https://t.co/2VeUvwnQpz">pic.twitter.com/2VeUvwnQpz</a></p>— ローソンマルチコピー機 (@lawsonmulticopy) <a href="https://twitter.com/lawsonmulticopy/status/1232138192423464960?ref_src=twsrc^tfw">February 25, 2020</a></blockquote> <script async src="https://platform.twitter.com/widgets.js" charset="utf-8"></script>

  • しかしカットの枚数が全576枚と多く, 20枚/1pで**28+1p(16枚)**にページネーションされており, お気に入りの画像を探すのが大変だった.
  • 「じゃあMarkdownで一覧を作ろう！」と思った.

やった

結論

  • 結局1行のワンライナーになった.
curl -s 'https://lawson-print.com/products/categories/machikado?page=[1-29]'|egrep -B8 '<span>まちカドまぞく__[^<]+'|sed -r 's/^\t+//g;/^$/d;s/^--/@/g;1s/^/\n/'|awk -F\\n '{print substr($2,34,43)"\n"substr($8,10,29)"\n"substr($9,7)}' RS=@|ruby -e 'u="https://lawson-print.com";`dd`.split(?\n).each_slice(3).to_a.uniq.map{|a,b,c|puts"## [#{c.scan(/^[^<]+/)[0]}](#{u+b})\n![img](#{u+a})"}'>mazoku.md

分解

  • きれいにしたもの
#!/bin/bash
curl -s 'https://lawson-print.com/products/categories/machikado?page=[1-29]'  |
egrep -B8 '<span>まちカドまぞく__[^<]+'  |  sed -r 's/^\t+//g;/^$/d;s/^--/@/g;1s/^/\n/'  |
awk -F\\n '{print substr($2,34,43)"\n"substr($8,10,29)"\n"substr($9,7)}' RS=@ |
ruby -e 'u = "https://lawson-print.com"
`dd`.split(?\n).each_slice(3).to_a.uniq.map { | a, b, c |
  puts "## [#{ c.scan(/^[^<]+/)[0] }](#{ u+b })\n![img](#{ u+a })"
}' > mazoku.md

やったこと

  • 以下, ワンライナーは目がつかれるので分解して解説する

1行目: クロール

1行目
curl -s 'https://lawson-print.com/products/categories/machikado?page=[1-29]' |
  • 29ページあるプロマイド一覧ページのソースを取得.
  • ここで得られる出力は, Chromeならview-source:https://lawson-print.com/products/categories/machikadoで確認できる.
  • curlコマンドの-sは進捗状況やエラーを表示せず, 取得したページソースだけを出力するやつ.
  • 引数URLの一部が連番なら[START-END]で指定できる.(ここでは1-29)

2行目: プロマイド名, プロマイド詳細ページURL, 画像URL部分の切り出し

2行目
egrep -B8 '<span>まちカドまぞく__[^<]+' | sed -r 's/^\t+//g;/^$/d;s/^--/@/g;1s/^/\n/' |
  • grepコマンドの-B <int>は, 検索に引っかかった行のn行前を一緒に表示する.(n行後は-A <int>)
  • egrepコマンドはgrep -Eと同じく, 検索語での拡張正規表現を有効にする.
  • ここでは画像リンク行~プロマイド詳細ページリンク行~プロマイド名行を切り出している.
切り出し結果(※インデントは削除)
<img class="img-responsive" src="/media/23eb44c3-94e2-4f7b-8bd6-9829e262fb92" />

</div>
<!-- Item details -->
<div class="item-details">
<!-- Name -->
<h5>
<a href="/products/describe/1017190001">
<span>まちカドまぞく__01　L</span><br />
--
<img class="img-responsive" src="/media/e90a3d50-2557-478f-8088-bcec9e4418a2" />

</div>
<!-- Item details -->
<div class="item-details">
<!-- Name -->
<h5>
<a href="/products/describe/1017190002">
<span>まちカドまぞく__01　2L</span><br />
--
(略)
  • sedコマンドの-rは拡張正規表現を有効化し, +, \t, (, ), |をエスケープ無しで使用できる.
  • ここでは:
    • ページソースのインデントを削除(s/^\t+//g)
    • 空行削除(/^$/d)
    • grepのレコードセパレータ--を<-- -->と区別するため@に置換(s/^--/@/g)
    • 後続のawkで1行目を$2に入れるため改行を挿入する(1s/^/\n/)
sed後
(空行)
<img class="img-responsive" src="/media/23eb44c3-94e2-4f7b-8bd6-9829e262fb92" />
</div>
<!-- Item details -->
<div class="item-details">
<!-- Name -->
<h5>
<a href="/products/describe/1017190001">
<span>まちカドまぞく__01　L</span><br />
@
<img class="img-responsive" src="/media/e90a3d50-2557-478f-8088-bcec9e4418a2" />
</div>
<!-- Item details -->
<div class="item-details">
<!-- Name -->
<h5>
<a href="/products/describe/1017190002">
<span>まちカドまぞく__01　2L</span><br />
@
(略)

3行目: 不要行の削除, 必要部分の抽出

3行目
awk -F\\n '{print substr($2,34,43)"\n"substr($8,10,29)"\n"substr($9,7)}' RS=@ |
  • awkコマンドのフィールドセパレータを改行(\n), レコードセパレータ(RS)を@に設定.
  • こうすると@までの各行が変数$1~$9までに順に入る.
  • substr(str,N,L)は文字列のN文字目からL文字切り出す.
awk後
/media/23eb44c3-94e2-4f7b-8bd6-9829e262fb92
/products/describe/1017190001
まちカドまぞく__01　L</span><br />
/media/e90a3d50-2557-478f-8088-bcec9e4418a2
/products/describe/1017190002
まちカドまぞく__01　2L</span><br />
(略)

4~7行目: Markdownに整形(Ruby)

4~7行目(これを引数にrubyの-eで実行)
u = "https://lawson-print.com"
`dd`.split(?\n).each_slice(3).to_a.uniq.map { | a, b, c |
  puts "## [#{ c.scan(/^[^<]+/)[0] }](#{ u+b })\n![img](#{ u+a })"
}
  • 標準入力をddで受け取って行ごとに配列に入れ, each_slice(3).to_aで3要素ずつで配列内配列を作る.
  • uniqは新着リリース欄に表示されたものを削除している.
  • 各要素を以下のMarkdown形式にして出力.
整形
## [プロマイド名](詳細ページリンク)
![img](画像リンク)
  • > mazoku.mdで出力して完成！
mazoku.md
## [まちカドまぞく__01　L](https://lawson-print.com/products/describe/1017190001)
![img](https://lawson-print.com/media/23eb44c3-94e2-4f7b-8bd6-9829e262fb92)
## [まちカドまぞく__01　2L](https://lawson-print.com/products/describe/1017190002)
![img](https://lawson-print.com/media/e90a3d50-2557-478f-8088-bcec9e4418a2)
(略)

まとめ

  • シェル上でクローリングからスクレイピングまでをやった.
  • 実行しながらデバッグしやすく, 感覚的にパイプで処理を繋いで書けて気持ちいい.
  • まちカドまぞく1~5巻発売中！
GitHubで編集を提案

Discussion