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

90.82%

  • PHP

    18244questions

    PHPは、Webサイト構築に特化して開発されたプログラミング言語です。大きな特徴のひとつは、HTMLに直接プログラムを埋め込むことができるという点です。PHPを用いることで、HTMLを動的コンテンツとして出力できます。HTMLがそのままブラウザに表示されるのに対し、PHPプログラムはサーバ側で実行された結果がブラウザに表示されるため、PHPスクリプトは「サーバサイドスクリプト」と呼ばれています。

  • HTML

    7810questions

    HTMLとは、ウェブ上の文書を記述・作成するためのマークアップ言語のことです。文章の中に記述することで、文書の論理構造などを設定することができます。ハイパーリンクを設定できるハイパーテキストであり、画像・リスト・表などのデータファイルをリンクする情報に結びつけて情報を整理します。現在あるネットワーク上のほとんどのウェブページはHTMLで作成されています。

該当サイトのhtml構造を取得することができない

受付中

回答 3

投稿

  • 評価
  • クリップ 0
  • VIEW 107

kodoumai

score 1

わからないこと

お世話になります。
下のサイトを読み込んで、html構造をスクレイピングしようとしているのですが、
httpエラー(301)が発生し取得できません。

https://www.co-medical.com/ns/

<!DOCTYPE HTML PUBLIC "-//IETF//DTD HTML 2.0//EN">\n
<html><head>\n
<title>301 Moved Permanently</title>\n
</head><body>\n
<h1>Moved Permanently</h1>\n
<p>The document has moved <a href="https://www.co-medical.com/ns/search/">here</a>.</p>\n
</body></html>\n

ウェブに表示する場合は問題ないのですが、コマンドをたたいて読み込ませようとすると失敗します。
この原因はパラメータの不足にあるのか、ページがリダイレクトで表示されているのでしょうか

$userAgent = new userAgent();
$agent = $userAgent->agent(rand(1, 80));
$ch = curl_init();
$url = 'http://www.co-medical.com/ns/search/?search_redirect=1&jobtype=OC001&jobtype_roma=ns&mode=popup';
curl_setopt($ch, CURLOPT_USERAGENT, $agent);
curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
curl_setopt($ch, CURLOPT_URL, $url);
$page = curl_exec($ch);
dd($page);


書いたコードは上記のみです。

ご教授いただければ幸いです。
よろしくお願いいたします。

  • 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。

質問への追記・修正、ベストアンサー選択の依頼

  • m6u

    2018/05/18 18:44 編集

    なにかライブラリやモジュールなど追加していませんか? 開発環境を再現するのに必要な情報をください。

    キャンセル

回答 3

+4

一般論でいうと、
先方のサーバーでbotだとみなされて拒否されている状況だろうと思います。

botだとみなされない確実な方法など無いのですが、
例えば先方に通知するuser-agent名を実在するwebブラウザのものを引用するのも手ですが、
おすすめしません。

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。

  • 2018/05/18 19:19

    >先方のサーバーでbotだとみなされて拒否されている状況だろうと思います。

    違う回答をしてしまいましたが、これっぽいですね。

    キャンセル

  • 2018/05/18 19:27

    ご回答ありがとうございます。
    file_get_contentsを用いたところ、

    ```
    file_get_contents(http://www.co-medical.com/ns/search/): failed to open stream: HTTP request failed! HTTP/1.0 404 N
    ot Found

    ```
    とでてきました。
    これはbotとみなされた結果、ページを表示しないようにしたのでしょうか?
    こちらではuseragentをm6uさんの仰るように実在するブラウザのものと合わせております

    キャンセル

  • 2018/05/18 22:42

    BOTとみなすというか GETのアクセスを禁止してるようだね

    キャンセル

+2

アクセス的に
https 必須ですね

http から https へのredirectでしょう

GET アクセスも禁止してる可能性もあります。

$ wget https://www.co-medical.com/ns/search/ --post-data="search_redirect=1&jobtype=OC001&jobtype_roma=ns&mode=popup" -O /dev/null
--2018-05-18 22:45:41--  https://www.co-medical.com/ns/search/
Resolving www.co-medical.com (www.co-medical.com)... 153.121.90.149
Connecting to www.co-medical.com (www.co-medical.com)|153.121.90.149|:443... connected.
HTTP request sent, awaiting response... 303 See Other
Location: https://www.co-medical.com/ns/search/ [following]
--2018-05-18 22:45:41--  https://www.co-medical.com/ns/search/
Reusing existing connection to www.co-medical.com:443.
HTTP request sent, awaiting response... 200 OK
Length: unspecified [text/html]
Saving to: '/dev/null'

    [ <=>                                                                ] 95,772      --.-K/s   in 0.008s

2018-05-18 22:45:42 (12.1 MB/s) - '/dev/null' saved [95772]

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。

  • 2018/05/19 00:10

    ご回答ありがとうございます。
    ということは、このサイトのhtmlはとってこれないということでしょうか?

    キャンセル

  • 2018/05/19 00:31

    GETやHTTPじゃ取れないが HTTPSでPOSTは取れるよって

    キャンセル

+1

https://ja.m.wikipedia.org/wiki/HTTPステータスコード

HTMLを見る限り、リダイレクト指示がありそうです。

httpヘッダーをみると、レスポンスが301になってたりしませんか?

リダリレクト先のURLを取得すれば、希望の動作となりそうですね。

 コメントを受けての追記

提示されたサイトへのアクセスを解析してみました。
ブラウザでアクセスしている時も、提示されたURLへアクセス後、同一URLへリダイレクトしていました。
(chromeのディベロッパーツールで確認)

なので、phpのcurlでアクセスする際も同様の動作をすれば良さそうです。
ただし、リダイレクトする際にcookieを利用しているようでした。
ですので、

  • curlをリダイレクトするようにする
  • リダイレクト時にcookieを使う

とすると動作するようです。

curl_setoptの指定内容はネット検索結果をかじっただけなので、正しくはマニュアルを確認してみて下さい。
curl_setopt($curl, CURLOPT_HEADER, true);としているので、レスポンス内容にhttpヘッダ情報が含まれます。不要であれば行ごと削除で。

<?php
// URL
$url = "https://www.co-medical.com/ns/search/?search_redirect=1&jobtype=OC001&jobtype_roma=ns&mode=popup";

// cookie
$cookie_file = "/tmp/test.cookie";


// 初期化
$curl = curl_init();

// オプション設定
curl_setopt($curl, CURLOPT_RETURNTRANSFER, true);
curl_setopt($curl, CURLOPT_FOLLOWLOCATION, true);       // リダイレクトをたどる
curl_setopt($curl, CURLOPT_AUTOREFERER, true);          // リダイレクトにreferを自動でつける
curl_setopt($curl, CURLOPT_HEADER, true);               // HEADERの表示
curl_setopt($curl, CURLOPT_COOKIEFILE, $cookie_file);   // cookie
curl_setopt($curl, CURLOPT_COOKIEJAR, $cookie_file);    // cookie
curl_setopt($curl, CURLOPT_URL, $url);

$html = curl_exec($curl);

var_dump($html);
curl_close($curl);

投稿

編集

  • 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。

  • 2018/05/18 19:26

    ご回答ありがとうございます。
    リダイレクト先のURLを取得するのはget_headerが一番有名かと思います。
    私をそれを使えば取得できると思ったのですが、こちらで挿入したものと同じURLがでてきました
    また、一旦file_get_contentsを用いたところ、

    ```
    file_get_contents(http://www.co-medical.com/ns/search/): failed to open stream: HTTP request failed! HTTP/1.0 404 N
    ot Found

    ```
    とでてきました。

    キャンセル

  • 2018/05/18 21:41

    ご回答ありがとうございます。
    ご回答いただいた内容で、クッキーの値をファイルに格納することができました。
    ただ、htmlにはページが表示されませんと出てしまいます。
    誤りはどこにあると考えられますでしょうか?
    対象のURLにパラメータを設定しても意味がないのでしょうか?

    キャンセル

  • 2018/05/18 22:24

    提示したサンプルはwebページではなく、コマンドラインツールとして作成してます。

    php ファイル名

    として実行してください。

    キャンセル

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 90.82%
  • 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られる

関連した質問

同じタグがついた質問を見る

  • PHP

    18244questions

    PHPは、Webサイト構築に特化して開発されたプログラミング言語です。大きな特徴のひとつは、HTMLに直接プログラムを埋め込むことができるという点です。PHPを用いることで、HTMLを動的コンテンツとして出力できます。HTMLがそのままブラウザに表示されるのに対し、PHPプログラムはサーバ側で実行された結果がブラウザに表示されるため、PHPスクリプトは「サーバサイドスクリプト」と呼ばれています。

  • HTML

    7810questions

    HTMLとは、ウェブ上の文書を記述・作成するためのマークアップ言語のことです。文章の中に記述することで、文書の論理構造などを設定することができます。ハイパーリンクを設定できるハイパーテキストであり、画像・リスト・表などのデータファイルをリンクする情報に結びつけて情報を整理します。現在あるネットワーク上のほとんどのウェブページはHTMLで作成されています。