わからないこと
scrapyでクローリング.スクレイピングしてもJSONファイルになにも書き込まれない
実現したいこと
正常に動作させたい
趣味のスロットのライターの来店予定なんかを収集しようと思っています。
http://www.bash-tv.com/wp/schedule
このページをスクレイピングしたいのですが、うまくいきません。
エラーなどは出ないのですが、スクレピングできていないようです。
import scrapy from myproject.items import SceduleItem class TestSpider(scrapy.Spider): name = "test6" allowed_domains = ["bash-tv.com"] start_urls = ( 'http://www.bash-tv.com/wp/schedule', ) def parse(self, response): """ 日付ごとのboxを取得 """ for info in response.xpath('//div[@class="syuroku_raiten_area"]'): yield from self.parse_info(info) def parse_info(self, info): """ 取得した日付ごとのboxの中にある、それぞれのboxをスクレイピングし、itemに格納する """ item = SceduleItem() day = info.xpath('//h3/text()').extract_first() #parseで取得したboxの日付を得る。 for result in info.xpath('//div[@class="syuroku_raiten_area"]/div[@class="hall_info"]'): content = result.xpath('//div[@class="text"]/div[@class="bangumi"]/text()').extract_first() cast = result.xpath('//div[@class="text"]/div[@class="syutsuen"]/text()').extract_first() item['day'] = day item['place'] = result.xpath('//div[@class="area"]/text()').extract_first() item['shop'] = result.xpath('//div[@class="name"]/text()').extract_first() item['content'] = cast + content item['media'] = 'バッシュTV' yield item
items.py
1# -*- coding: utf-8 -*- 2 3# Define here the models for your scraped items 4# 5# See documentation in: 6# https://doc.scrapy.org/en/latest/topics/items.html 7 8import scrapy 9 10 11class SceduleItem(scrapy.Item): 12 day = scrapy.Field() 13 place = scrapy.Field() 14 content = scrapy.Field() 15 shop = scrapy.Field() 16 media = scrapy.Field() 17
2018-04-27 23:15:48 [scrapy.utils.log] INFO: Scrapy 1.5.0 started (bot: myproject) 2018-04-27 23:15:48 [scrapy.utils.log] INFO: Versions: lxml 3.5.0.0, libxml2 2.9.3, cssselect 1.0.1, parsel 1.3.1, w3lib 1.18.0, Twisted 17.9.0, Python 3.5.2 (default, Nov 23 2017, 16:37:01) - [GCC 5.4.0 20160609], pyOpenSSL 17.5.0 (OpenSSL 1.1.0g 2 Nov 2017), cryptography 2.1.4, Platform Linux-4.4.0-119-generic-x86_64-with-Ubuntu-16.04-xenial 2018-04-27 23:15:48 [scrapy.crawler] INFO: Overridden settings: {'FEED_FORMAT': 'jl', 'BOT_NAME': 'myproject', 'DOWNLOAD_DELAY': 1, 'NEWSPIDER_MODULE': 'myproject.spiders', 'ROBOTSTXT_OBEY': True, 'FEED_URI': 'test5.jl', 'SPIDER_MODULES': ['myproject.spiders']} 2018-04-27 23:15:48 [scrapy.middleware] INFO: Enabled extensions: ['scrapy.extensions.feedexport.FeedExporter', 'scrapy.extensions.memusage.MemoryUsage', 'scrapy.extensions.logstats.LogStats', 'scrapy.extensions.corestats.CoreStats', 'scrapy.extensions.telnet.TelnetConsole'] 2018-04-27 23:15:48 [scrapy.middleware] INFO: Enabled downloader middlewares: ['scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware', 'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware', 'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware', 'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware', 'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware', 'scrapy.downloadermiddlewares.retry.RetryMiddleware', 'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware', 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware', 'scrapy.downloadermiddlewares.redirect.RedirectMiddleware', 'scrapy.downloadermiddlewares.cookies.CookiesMiddleware', 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware', 'scrapy.downloadermiddlewares.stats.DownloaderStats'] 2018-04-27 23:15:48 [scrapy.middleware] INFO: Enabled spider middlewares: ['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware', 'scrapy.spidermiddlewares.offsite.OffsiteMiddleware', 'scrapy.spidermiddlewares.referer.RefererMiddleware', 'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware', 'scrapy.spidermiddlewares.depth.DepthMiddleware'] 2018-04-27 23:15:48 [scrapy.middleware] INFO: Enabled item pipelines: [] 2018-04-27 23:15:48 [scrapy.core.engine] INFO: Spider opened 2018-04-27 23:15:48 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min) 2018-04-27 23:15:48 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023 2018-04-27 23:15:49 [scrapy.core.engine] DEBUG: Crawled (404) <GET http://www.bash-tv.com/robots.txt> (referer: None) 2018-04-27 23:15:51 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://www.bash-tv.com/wp/schedule> (referer: None) 2018-04-27 23:15:51 [scrapy.core.engine] INFO: Closing spider (finished) 2018-04-27 23:15:51 [scrapy.statscollectors] INFO: Dumping Scrapy stats: {'downloader/request_bytes': 449, 'downloader/request_count': 2, 'downloader/request_method_count/GET': 2, 'downloader/response_bytes': 199210, 'downloader/response_count': 2, 'downloader/response_status_count/200': 1, 'downloader/response_status_count/404': 1, 'finish_reason': 'finished', 'finish_time': datetime.datetime(2018, 4, 27, 14, 15, 51, 243458), 'log_count/DEBUG': 3, 'log_count/INFO': 7, 'memusage/max': 54681600, 'memusage/startup': 54681600, 'response_received_count': 2, 'scheduler/dequeued': 1, 'scheduler/dequeued/memory': 1, 'scheduler/enqueued': 1, 'scheduler/enqueued/memory': 1, 'start_time': datetime.datetime(2018, 4, 27, 14, 15, 48, 736407)} 2018-04-27 23:15:51 [scrapy.core.engine] INFO: Spider closed (finished)
日付ごとのboxを取得し、それをparse_infoで解析し、itemに格納したいんですが、JSONに出力しようとしても出力されず、
ログをみてもスクレイピングできていないようです。
parse_infoがうまく呼び出せていないのかななんて考えているのですがいまいちよくわかりません。
このプログラムが正常にスクレピングするにはどうしたらいいでしょうか。
scrapyの実行ログを質問文にも載せたほうがいいと思います。 また、`parse_info`がうまく呼び出せていないのではないかと考えられているようですが、そのことはちゃんとデバッグして確認しましたか?
どうやら、parse_infoが呼び出せていないようなのですが原因はなんでしょうか
デバッグして確認したということですよね?具体的にどのような方法でそれを確認しましたか?
それと、scrapyのspiderに複数のパーサーを追加するのは、 通常パーサーそれぞれが別のurlのページを取得してスクレイピングする場合に限られるので、 今回の場合はそもそもパーサーを分ける必要性がないと思います。
返答が遅くなり申し訳ありません。今回のようにboxのなかのboxを解析する場合はどうすればいいのでしょうか?
パーサーを分けずにやる場合は
回答1件
あなたの回答
tips
プレビュー