【HTMLデータ構造化抽出】MSXML2.DOMDocumentとXPathを活用したWebスクレイピングデータ抽出テクニック
レガシーシステムの保全、あるいは閉域網における軽量なデータ連携の現場において、未だにVBScript（Windows Script Host）はその生存基盤を失っていない。特に、重厚長大で不安定なInternet Explorer（IE）のCOMオートメーション（`InternetExplorer.Application`）に依存したスクレイピングは、モダンなWindows環境においては完全に時代遅れであるばかりか、セキュリティリスクとリソースリークの温床でしかない。
真に効率的で堅牢な自動化エンジニアであれば、「ブラウザを起動しない」選択肢を常に模索すべきだ。
今回は、`MSXML2.XMLHTTP`によるHTTP通信と、`MSXML2.DOMDocument`（およびその拡張であるXPath）を組み合わせ、HTMLをメモリ上で完全に構造化・解析する、極限まで最適化されたスクレイピング手法を解説する。
—
1. なぜ「IEレス」かつ「XPath」なのか？
多くの旧世代スクリプトは、HTML文字列に対して泥臭い`InStr`や`Mid`関数、あるいは正規表現（RegEx）を用いたパースを行っている。しかし、タグのネスト、属性の順序変更、不正なHTML構造に対して正規表現は無力であり、メンテナンス不能なスパゲッティコードを生み出す。
ここで紹介するアプローチの優位性は以下の点にある。
1. 完全なDOMツリーの構築
`MSXML2.DOMDocument.6.0`を用いることで、不完全なHTMLであってもパースを試み、メモリ上に厳密な階層構造（DOM）を生成する。
2. XPathによる宣言的抽出
「どのタグの何番目か」という手続き的な探索を排除し、「欲しいデータのパス」をXPathクエリとして直接指定する。これにより、ターゲットのHTML構造の変化に対する耐性が飛躍的に向上する。
3. 圧倒的なパフォーマンスと省メモリ
GUIレンダリングエンジンを持たないため、数ミリ秒単位の処理速度と、数メガバイト程度の極小メモリフットプリントを実現する。
—
2. アーキテクチャの核心：オブジェクトのライフサイクルと型安全
VBScriptはガベージコレクタの挙動が曖昧であり、特にCOMオブジェクトの解放を怠ると、背後でプロセスがメモリリークを起こし、長期間稼働するタスクスケジューラ等で致命的なリソース枯渇を引き起こす。
さらに、MSXML2のバージョン指定を怠ると、OSのデフォルト（古くて脆弱なv3.0など）がバインドされるため、明示的に最新の`MSXML2.DOMDocument.6.0`を指定しなければならない。
以下の実装パターンは、実務の現場でそのまま耐えうる堅牢性を持たせたプロダクションコードである。
—
3. 実装コード：実践的HTML構造化抽出スクリプト
以下のVBScriptは、対象のWebページ（またはローカルHTML）からHTTP経由でデータを取得し、XPathを用いて特定のテーブル構造およびテキスト群を正確に抽出する完全なサンプルである。
‘ ==============================================================================
‘ Script Name : HtmlScraperWithXPath.vbs
‘ Description : MSXML2とXPathを用いた高速・軽量HTMLデータ抽出エンジン
‘ Author ：Chief Architect
‘ ==============================================================================
Option Explicit
‘ メイン処理の実行
MainOpetation
Sub MainOpetation()
Dim targetUrl
targetUrl = “https://example.com/target-data.html” ‘ 実際のターゲットURLに変更してください
WScript.Echo “[INFO] スクレイピング処理を開始します: ” & targetUrl
‘ 1. HTTP通信によるHTMLの取得
Dim htmlContent
htmlContent = HttpGetContent(targetUrl)
If Len(htmlContent) = 0 Then
WScript.Echo “[ERROR] コンテンツの取得に失敗しました。”
Exit Sub
End If
‘ 2. DOMDocumentの初期化とHTMLパース
Dim xmlDoc
Set xmlDoc = CreateObject(“MSXML2.DOMDocument.6.0”)
‘ セキュリティおよびパーサーの設定
xmlDoc.async = False
xmlDoc.validateOnParse = False
xmlDoc.resolveExternals = False
‘ MSXML2はデフォルトでXMLを期待するため、HTMLの場合はパースエラーになることがある。
‘ ※本質的なDOM解析を行うため、MSXMLにテキストを流し込む。
‘ 厳密なHTML5のパースには限界があるため、XHTMLライクな整形済み、あるいは主要なテーブル構造を対象とする。
xmlDoc.loadXML htmlContent
‘ パースエラーのハンドリング
If xmlDoc.parseError.errorCode <> 0 Then
WScript.Echo “[WARNING] XMLパースエラー検出 (行: ” & xmlDoc.parseError.line & “): ” & xmlDoc.parseError.reason
‘ 必要に応じたフォールバック処理をここに記述
Set xmlDoc = Nothing
Exit Sub
End If
‘ 3. XPathを用いたデータ抽出（実務的クエリの適用）
‘ 例：特定のIDを持つテーブル内のすべてのセル（TD）を抽出
Dim xpathQuery
xpathQuery = “//table[@id=’data-table’]//tr/td”
Dim nodeList
Set nodeList = xmlDoc.selectNodes(xpathQuery)
If nodeList.length = 0 Then
WScript.Echo “[INFO] 一致するノードが見つかりませんでした。”
Else
WScript.Echo “[INFO] 抽出されたデータ件数: ” & nodeList.length & ” 件”
Dim i, node
For i = 0 To nodeList.length – 1
Set node = nodeList(i)
‘ テキストノードのトリムと出力
WScript.Echo “[” & i & “] ” & Trim(node.text)
Next
End If
‘ 4. 厳格なオブジェクトの解放 (Memory Leak Prevention)
Set nodeList = Nothing
Set xmlDoc = Nothing
WScript.Echo “[INFO] 処理が正常に完了しました。”
End Sub
‘ ——————————————————————————
‘ HTTP GETリクエストによりコンテンツ文字列を取得する関数
‘ ——————————————————————————
Function HttpGetContent(url)
Dim http
On Error Resume Next
Set http = CreateObject(“MSXML2.XMLHTTP.6.0”)
If Err.Number <> 0 Then
‘ フォールバック
Set http = CreateObject(“MSXML2.XMLHTTP”)
End If
http.open “GET”, url, False
‘ 必要に応じてヘッダーを追加（User-Agent偽装など）
http.setRequestHeader “User-Agent”, “Mozilla/5.0 (Windows NT 10.0; Win64; x64)”
http.send
If Err.Number <> 0 Or http.status <> 200 Then
WScript.Echo “[ERROR] HTTP通信エラー: Status = ” & http.status
HttpGetContent = “”
Set http = Nothing
Exit Function
End If
‘ レスポンスの文字コードに注意（Shift_JISの場合はADODB.Stream等でデコードが必要な場合あり）
HttpGetContent = http.responseText
Set http = Nothing
On Error GoTo 0
End Function
—
4. チーフアーキテクトが指摘する「実務上の罠」と対策
この手法をエンタープライズ環境で展開する際、必ず直面するいくつかの壁と、その処方箋を記す。
① 文字コードの壁（Shift_JIS / CP932問題）
現代のWebはUTF-8が主流だが、レガシーシステムや社内ニッチなシステムでは未だにShift_JIS（CP932）が使われている。`http.responseText`は自動判定を試みるが、メタタグの記述漏れ等で文字化けが発生する。
その場合は、`XMLHTTP`でバイナリ（`responseBody`）として取得し、`ADODB.Stream`を介して明示的にデコードするアーキテクチャに変更する必要がある。
② HTMLの「XML非準拠」によるパース破綻
`MSXML2.DOMDocument`は厳格なXMLパーサーである。そのため、閉じタグのないHTMLタグ（`
`や``など）や、属性値のクォーテーション抜けが存在する場合、パースエラーを起こすか、意図したDOMツリーが構築されない。
対策: 抽出対象のHTMLが完全なXML構造になっていない場合、正規表現による前処理で不整地なタグを置換するか、あるいはHTML専用のパーサーオブジェクト（例：サードパーティ製COMやHTMLFileオブジェクト）の利用を検討すべきだが、純粋な軽量性を重視するなら「対象範囲をあらかじめ絞り込んでからロードする」のが最も確実である。
—
総括
VBScriptというレガシーな言語であっても、背後にあるWindows APIのメカニズム（MSXMLのDOM実装やCOMのライフサイクル）を完全に掌握していれば、モダンな言語のスクレイピングツールに匹敵する、堅牢で高速なデータパイプラインを構築できる。
GUIに頼らず、メモリを支配し、XPathでピンポイントにデータを撃ち抜く――これこそが、真のインフラストラクチャ・エンジニアリングの姿である。
