質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

新規登録して質問してみよう
ただいま回答率
85.50%
Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

MacOS(OSX)

MacOSとは、Appleの開発していたGUI(グラフィカルユーザーインターフェース)を採用したオペレーションシステム(OS)です。Macintoshと共に、市場に出てGUIの普及に大きく貢献しました。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

Scrapy

Scrapyは、Pythonで開発されたオープンソースソフトウェアです。スクレイピングという、Webサービスから必要な情報を取り出したり自動操作をしたりする技術を使うものです。

Q&A

2回答

5873閲覧

Scrapyを用いて複数ページから複数要素を1レコードずつ抽出したい

fuyutsuki

総合スコア7

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

MacOS(OSX)

MacOSとは、Appleの開発していたGUI(グラフィカルユーザーインターフェース)を採用したオペレーションシステム(OS)です。Macintoshと共に、市場に出てGUIの普及に大きく貢献しました。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

Scrapy

Scrapyは、Pythonで開発されたオープンソースソフトウェアです。スクレイピングという、Webサービスから必要な情報を取り出したり自動操作をしたりする技術を使うものです。

0グッド

3クリップ

投稿2017/12/14 15:01

Scrapyを用いてクローリング&スクレイピングを行なっており、
なんとなく欲しい情報を取得できたものの思った通りに並んで
くれず、原因や解決方法がわからない状態です。

<やりたいこと>
ページAに複数ページ(仮にページBとCとDとします)のリンクが貼られており、
更にページBとCとDからリンク先のページがあるとします。

↓こんな感じです。(伝わりますでしょうか・・・)

階層1階層2階層3
ページAページBページB'
 ページCページC'
ページD

ページAから地名を取得し、
次に、ページBやCで、宿泊施設の名前を取得し、
更に、ページB'やページDで、宿泊施設のURLを取得したいです。

※ページBには複数の宿泊施設の名前があり、全て取得したく、ページB'には1つしかURLは存在しないです。
※ページBとCはページAから、ページC'とDはページCからそれぞれリンクが貼られています。

【表1】

列1列2列3
熱海ホテル熱海http://www.hotel_atami.jp/
長野ホテル長野http://www.hotel_nagano.jp/
長野民宿長野http://www.minsyuku_nagano.jp/

というようにCSV形式で取得したいのですが、実際には

【表2】

列1列2列3
熱海ホテル熱海
長野ホテル長野,民宿長野
http://www.minsyuku_nagano.jp/
http://www.hotel_nagano.jp/
http://www.minsyuku_nagano.jp/

のように空欄ができたりしてしまいます。
どうしたら表1のように取得ができますでしょうか?
また、なぜ現在はこのような取得結果になっているのでしょうか?

python

1from scrapy.spiders import CrawlSpider, Rule 2from scrapy.linkextractors import LinkExtractor 3from project1.items import Project1Item 4 5class Project1Spider(CrawlSpider): 6 name = 'project1' 7 allowed_domains = ['syukuhaku.jp'] 8 start_urls = ('http://syukuhaku.jp/',) 9 10 rules = ( 11 Rule(LinkExtractor(allow=r'/cgi-bin/\w+'), callback='parse_topics', follow=True), 12 Rule(LinkExtractor(allow=r'/dettail/\w+'), callback='parse_topics_detail'), 13 ) 14 15 16 def parse_topics(self, response): 17 item = Project1Item() 18 item['area'] = response.css('#main > h1 > span:nth-child(1)::text').extract() 19 item['name'] = response.css('#main > h1 > span:nth-child(3)::text').extract() 20 yield item 21 22 23 def parse_topics_detail(self, response): 24 item = Project1Item() 25 item['url'] = response.css('#base-info > table > tr > td > a::attr("href")').extract_first() 26 yield item 27

気になる質問をクリップする

クリップした質問は、後からいつでもMYページで確認できます。

またクリップした質問に回答があった際、通知やメールを受け取ることができます。

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

guest

回答2

0

parser間でitemを共有するにはこのようにするとよいです。

from scrapy.spiders import CrawlSpider, Rule from scrapy.linkextractors import LinkExtractor from project1.items import Project1Item class Project1Spider(CrawlSpider): name = 'project1' allowed_domains = ['syukuhaku.jp'] start_urls = ('http://syukuhaku.jp/',) rules = ( Rule(LinkExtractor(allow=r'/cgi-bin/\w+'), callback='parse_topics', follow=True), ) def parse_topics(self, response): item = Project1Item() item['area'] = response.css('#main > h1 > span:nth-child(1)::text').extract() item['name'] = response.css('#main > h1 > span:nth-child(3)::text').extract() url = <parse_topics_detailに渡すurlの取得処理> yield scrapy.Request(url=url, callback=self.parse_topics_detail, meta={'item': item}) def parse_topics_detail(self, response): item = response.meta['item'] item['url'] = response.css('#base-info > table > tr > td > a::attr("href")').extract_first() yield item

投稿2018/03/07 10:42

編集2018/03/07 10:44
退会済みユーザー

退会済みユーザー

総合スコア0

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

0

scrapy使ったことないのですが、コードと結果(表2)を見る限り、
以下のコードを、タイトル取得(parse_topics)とURL取得(parse_topics_detail)の内側で呼んでいるため、
それぞれの実行時に新しいitemが生まれてしまっており、同じitemに書き込めていないのだと思います。

item = Project1Item()

"Rule"の扱いを知らないのでなんですが、
可能であれば、parse以前に、1つitemを作って、そのitemのarea, name, urlに対してparse結果を書き込むような処理にすれば良いのではないでしょうか。

投稿2017/12/14 17:15

naosk8

総合スコア86

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

fuyutsuki

2017/12/15 13:36

naosk8さん ご回答ありがとうございます。 そうか!と思い、以下2種類試してみたのですがうまくいかず・・・ 他に確認すべきところはありますでしょうか? 1. def parse_topics_detail(self, response): の中の item = Project1Item() のみコメントアウトして実行。 →urlは抽出されない。(CSVにそもそもurl列が存在しない)  name列には複数の宿泊施設名が入ったまま。 2. def parse_topics(self, response): def parse_topics_detail(self, response): の2つの中にある item = Project1Item() をいずれもコメントアウトし、 start_urls = ('http://syukuhaku.jp/',) の下に item = Project1Item() と記載。 →何も抽出されない。  logには NameError: name 'item' is not defined と出ている。
naosk8

2017/12/15 19:06 編集

実装を進めるにあたって、スコープやクラス/インスタンスの概念を確認した方がスムーズかもしれません。 メソッド内で初期化したもの/定義したものは、基本的にはそのメソッド内でのみ使えます。 ドキュメントを少し見た限り、 http://scrapy-ja.readthedocs.io/ja/latest/topics/spiders.html Ruleのcallbackは、ItemかRequestを返す必要があるようで、 つまりは1ページへのスクレイピングは、基本的には少なくとも1つの抽出データ、 もしくは新たなスクレイピング先へのリダイレクトを返す必要があるということかと思います。 手元で試していませんが、自分なら以下の2通りを試します。 1. Ruleとしては、parse_topicsを探す処理のみを記載し、parse_topic内から関連するURLを探しに行く。 ``` rules = ( Rule(LinkExtractor(allow=r'/cgi-bin/\w+'), callback='parse_topics', follow=True), ) item = None # <- 以下のself.itemはこれを参照する def parse_topics(self, response): self.item = Item() self.item['area'] = response.css('#main > h1 > span:nth-child(1)::text').extract() self.item['name'] = response.css('#main > h1 > span:nth-child(3)::text').extract() detail_url = response.(何らか詳細ページへのリンクを取得する).extract() yield scrapy.Request(url, callback=self.parse_topics_detail) def parse_topics_detail(self, response): self.item['url'] = response.css('#base-info > table > tr > td > a::attr("href")').extract_first() # ここで初めてItemを書き出す yield item ``` 2. 当初のRuleを保ちつつ、parse_topicsとparse_topics_detailを紐づけるキーを  何らかページ内から抽出して、抽出後、それぞれのリスト(旅館名データと旅館のURLデータ)を突合する。 ``` def parse_topics(self, response): .... item['key'] = 何かページ内から取得できるItemを一意に特定するための値。 yield item def parse_topics_detail(self, response): .... item['key'] = 何かページ内から取得できるItemを一意に特定するための値。 yield item ``` コメント欄はMarkdownで書けないのですね、少し見にくいですが悪しからず。。
fuyutsuki

2017/12/18 14:11

ご返信ありがとうございます。 いくつか試していたため遅くなってしまいました。 ドキュメントを見ても何が書いてあるかよくわからないレベルでしてお手数をおかけしすみません。 記載いただいた1の方法を試してみたのですが、 NameError: name 'item' is not defined と出てしまい何も抽出されなくなり、うまくいきませんでした・・・ ちなみにitemはitem.pyという別ファイルで定義しており、 import scrapy class Project1Item(scrapy.Item): area = scrapy.Field() name = scrapy.Field() surl = scrapy.Field() というように記述しています。 そのため、parse_topicsメソッド内の self.item = Item() を self.item = Project1Item() のように対応する名前にしてみたのですが同様の結果でした。 ご指摘の通り、基本的な理解が乏しいので改めてクラスなどの概念を確認した上で また挑んでみたいと思います。
guest

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

まだベストアンサーが選ばれていません

会員登録して回答してみよう

アカウントをお持ちの方は

15分調べてもわからないことは
teratailで質問しよう!

ただいまの回答率
85.50%

質問をまとめることで
思考を整理して素早く解決

テンプレート機能で
簡単に質問をまとめる

質問する

関連した質問