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

1回答

7528閲覧

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

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

1クリップ

投稿2018/04/07 05:21

編集2018/04/11 05:00

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1

0

ベストアンサー

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。

python

1# × 文字列を設定してる 2allowed_domains = "https://bokete.jp/" 3 4# ○ クロールを許可するドメインのリストを設定する 5allowed_domains = ["bokete.jp"]

参考

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

投稿2018/04/17 14:55

tell_k

総合スコア2120

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。

abab7200

2018/04/18 12:30

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!
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