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

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

解決済

2回答

5272閲覧

Scrapyで日本語URLをスクレイピングしようとすると、robots.txtが読み込まれない

abab7200

総合スコア120

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

0クリップ

投稿2018/04/07 02:16

python3でScrapyの勉強をしようと思い、
いらすとやの特定ページの画像をローカルにダウンロードしようとしています。

その際にサイトトップはクロールし、画像をローカルに保存できたのですが、
特定のカテゴリーは日本語URLの為robots.txtが読み込まれず、要素の取得ができません。

原因はスクレイピングするURLの問題だと考えているのですが、日本語URLをスクレイピングする際に対応する方法が
思いつかず、どなたかご教授いただければと存じます。

スクレイピングできるURL
https://www.irasutoya.com/

スクレイピングできなかったURL
https://www.irasutoya.com/search/label/%E6%96%B0%E7%A4%BE%E4%BC%9A%E4%BA%BA

spiders/init.pyのコード

import scrapy from test2.items import ImageItem class Test2Spider(scrapy.Spider): name = "test2" allowed_domains= "https://www.irasutoya.com/" start_urls = [ 'https://www.irasutoya.com/search/label/新社会人' ] custom_settings = { "DOWNLOAD_DELAY": 1, } def parse(self, response): item = ImageItem() item["image_urls"] = [] for test in response.css('img.boxim'): item["image_urls"].append(response.urljoin(test.css('img::attr(src)').extract_first())) return item

コンソールのエラー内容

2018-04-07 11:10:09 [scrapy.downloadermiddlewares.robotstxt] DEBUG: Forbidden by robots.txt: <GET https://www.irasutoya.com/search/label/%E6%96%B0%E7%A4%BE%E4%BC%9A%E4%BA%BA> 2018-04-07 11:10:10 [scrapy.core.engine] INFO: Closing spider (finished)

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

ベストアンサー

エラーが「Forbidden by robots.txt」なので、いらすとやのrobots.txtがカテゴリページのクロールを禁止しているのでは? と思い、いらすとやのrobots.txtを確認したところ実際にDisallow: /searchの記述がありました。
以下のページの手順でrobots.txtを無視する設定を追加してください。
python - getting Forbidden by robots.txt: scrapy - Stack Overflow

投稿2018/04/07 02:24

hayataka2049

総合スコア30933

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。

hayataka2049

2018/04/07 02:27

設定次第で技術的にアクセスはできますが、いらすとやの規約などの兼ね合いはまた別なので、そちらについては質問者様で責任を持ってくださいと申し添えておきます。
abab7200

2018/04/07 03:39

robots.txtをで禁止されていたのですね、ありがとうございます! ローカル利用かつ感覚を開けるようにしているので問題ないかと思います
guest

0

scrapy使ったことありませんが、メッセージからrobots.txtは読み込めており、その指示に従ってダウンロードしないように動作しているように思います。
この動作を変更するには以下が参考になるかと思います。

【python】scrapyでrobots.txtを無視させたい場合
getting Forbidden by robots.txt: scrapy

投稿2018/04/07 02:25

can110

総合スコア38233

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。

can110

2018/04/07 02:26

かぶったw
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

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