scrapyで次のページへ遷移しスクレイピングしたいが、Filtered offsite request toでエラーになる

Question

scrapyの勉強の為、ぼけての特定URLの画像をスクレイピングしようと考えました。

その際に下記２点が対応できず、解決策をご教授いただければと存じます。

１：次のページに遷移しようとした際にログ上で、許可されていないドメインとして出力されます。
再帰的に次のページへ遷移させたいのですが、このログで停止します。
robots.textでもクローラー回避にはなっていないのですが、原因が分かりません。。

DEBUG: Filtered offsite request to 'bokete.jp': <GET https://bokete.jp/boke/popular?page=2>

2:次のページを取得する際にrole="button"をしていして取得したいのですが、roleの取得方法が
不明な為、ご教授いただければと存じます。

<a href="https://bokete.jp/boke/popular?page=2" class="btn btn-primary" role="button">
    <span class="glyphicon glyphicon-chevron-right"></span>
  </a>

作成したソース

import scrapy

from test2.items import ImageItem
class Test2Spider(scrapy.Spider):
    name = "test2"
    allowed_domains= "https://bokete.jp/"
    start_urls = [
        'https://bokete.jp/boke/popular'
    ]

    custom_settings = {
        "DOWNLOAD_DELAY": 1,
    }

    def parse(self, response):

        item = ImageItem()
        item["image_urls"] = []
        for test in response.css('div.boke-photo-content'):
            item["image_urls"].append(response.urljoin(test.css('img::attr(src)').extract_first()))


        next_page = response.xpath('//*[@id="content"]/div[14]/a[8]').css('a::attr(href)').extract_first()
        print("次のページへ遷移")
        print(next_page)

        if next_page is not None:
            next_page = response.urljoin(next_page)
            yield scrapy.Request(next_page, callback=self.parse)

ログ

2018-04-07 13:00:48 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://bokete.jp/robots.txt> (referer: None)
2018-04-07 13:00:49 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://bokete.jp/boke/popular> (referer: None)
次のページへ遷移
https://bokete.jp/boke/popular?page=2
2018-04-07 13:00:49 [scrapy.spidermiddlewares.offsite] DEBUG: Filtered offsite request to 'bokete.jp': <GET https://bokete.jp/boke/popular?page=2>
2018-04-07 13:00:49 [scrapy.core.engine] INFO: Closing spider (finished)

Answer 1

allowed_domains に設定するのは、httpから始まるURL文字列ではなく、ドメインのリストを設定する必要があります。つまり bokete.jpドメインに対するクロールが許可されてないので上記のようなメッセージが表示されます。

# × 文字列を設定してる
allowed_domains = "https://bokete.jp/"

# ○ クロールを許可するドメインのリストを設定する
allowed_domains = ["bokete.jp"]

参考

https://doc.scrapy.org/en/latest/topics/spiders.html?highlight=allowed_domains#scrapy.spiders.Spider.allowed_domains

Comments

[abab7200]

対応できました！ありがとうございます！　質問２については一旦　別の質問で再度投稿いたします！