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!

ただいまの
回答率

90.51%

  • Python

    11753questions

    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

    119questions

    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。

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

解決済

回答 1

投稿 編集

  • 評価
  • クリップ 1
  • VIEW 1,083

abab7200

score 74

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)
  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイ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。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 1

checkベストアンサー

+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

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2018/04/18 21:30

    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!

    キャンセル

同じタグがついた質問を見る

  • Python

    11753questions

    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

    119questions

    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。