Node.js + Puppeteer で動画タイトルをなるべく正確に取得する方法

こんにちは、にょろりんこの備忘録ブログです。

今日は Sae-Porns の中でも地味だけど重要な処理──動画ページのタイトルをなるべく正確に取得する仕組みについて解説します。

今回取り上げるのは、以下のモジュールです：

async function fetchTitle(page) {
let finalTitle = null;

const jsonLdHandle = await page.$('script[type="application/ld+json"]');
if (jsonLdHandle) {
const jsonText = await page.evaluate(el => el.textContent, jsonLdHandle);
try {
const data = JSON.parse(jsonText);
const items = Array.isArray(data) ? data : [data];
for (const item of items) {
if (item && item['@type'] === 'VideoObject' && item.name) {
finalTitle = item.name;
break;
}
}
} catch (e) {
console.warn(' JSON-LD parse failed:', e.message);
}
}

if (!finalTitle) {
const ogTitleMeta = await page.$('meta[property="og:title"]');
if (ogTitleMeta) {
finalTitle = await page.evaluate(el => el.content, ogTitleMeta);
}
}

if (!finalTitle) {
finalTitle = await page.title();
}

return { title: finalTitle || null };
}

なぜ「正確なタイトル取得」が重要なのかというとSae-Porns では、動画メタデータの基礎として、正確なタイトルの取得がすべての出発点になっているからです。

取得されたタイトルは、後続の処理──「日本語変換（MythoMax）」「タグ化（形態素解析）」「検索クエリ生成」などに連動しており、ここで間違ったタイトルを拾ってしまうと、全体の精度が一気に落ちてしまいます。

とはいえ、動画タイトルの記載方法は1つではなく、また、HTML内に複数存在する場合も多く、「これだけ見れば正解が取れる」という絶対的な手段はありません。

たとえば、JSON-LD（構造化データ）に書かれている場合もあれば、OGPメタタグ（SNSシェア用）で明示されていることもあるし、単純に <title> タグで済ませているサイトもあります。

このため、Sae-Porns のクローラーでは複数の取得手段を信頼度順に並べて、上から順に試す設計を採用しています。以下がその優先順位です：

1位：application/ld+json 内の VideoObject.name

構造化データ（JSON-LD）で、しかも @type: VideoObject の中の name に指定されているタイトル。これは検索エンジン向けに明示的に設定されている情報であり、信頼度が非常に高いです。

そもそも JSON-LD で VideoObject をわざわざ記述しているということは、サイト側が「これは動画ですよ」と検索エンジンにアピールしているという情報です。検索エンジン対策としても極めて丁寧な実装であるため、ここに書かれているタイトルは“本物”である確率が高いのです。

2位：meta[property="og:title"]

いわゆる OGP（Open Graph Protocol）のメタデータ。これはTwitterやFacebookでの拡散用に使われる情報です。拡散時に表示されるタイトルなので、サイト運営者が「これを見てほしい」と思う内容になっていることが多いですね。表現は整っているが、逆に「盛られている」こともあり、意図的に誇張されたタイトルである可能性もあります。

3位：<title> タグの中身

最終手段として、ブラウザ上に表示される <title> を取得します。通常、どんなページにも <title> タグはあるため、「どれも取れなかった場合の保険」としては有効。ただし、これはページ全体のタイトルであって、動画のタイトルとは限らない点に注意が必要です。

たとえば「タイトル | サイト名」といった形式も多く、検索性を損なうノイズが含まれることがあります。

このように「信頼度の高いものから順に、フェイルセーフで取得していく」という設計が、Sae-Porns のクローラーの堅牢さを支えています。それでも、HTML構造が壊れていたり、JSON-LDが不正なフォーマットだったりすると、当然ながら JSON.parse() は失敗します。そこで有効なのが以下の行です：