前提・実現したいこと
クローリングの勉強を兼ね、scrapyを使って大学の過去問を掲示板から抽出したいです。
下記のサイトを参考にし、チュートリアルとして2つクローラーを作って勉強しました。
python超初心者がスクレイピングしてみる
ScrapyによるWebスクレイピング
しかしまだまだ力不足でわからないことだらけ、、、
ご教授願います!
僕が情報を拾いたい掲示板がしたらば掲示板のこのページからです!
発生している問題・エラーメッセージ
実行してエラーするのも問題ですが、エラーが出ないとしても僕の欲しい情報は今のままでは得られないと思います。
というのも、スレッドのHTMLの構造上各コメントが一つのboxに入っておらず、改行によってカンマが入ってしまうため'試験問題'を含むコメントではなく、'試験問題'という単語だけの情報しか抽出できません。
目的とするのは'試験問題'という語句を含む一つのコメントの取得なので苦戦しています。
scrapy crawl tread_crawl -o text.csv
の実行結果がこれ
2018-08-26 13:07:38 [scrapy.utils.log] INFO: Scrapy 1.5.1 started (bot: tests) 2018-08-26 13:07:38 [scrapy.utils.log] INFO: Versions: lxml 4.2.4.0, libxml2 2.9.8, cssselect 1.0.3, parsel 1.5.0, w3lib 1.19.0, Twisted 18.7.0, Python 3.5.2 (default, Aug 15 2018, 23:42:21) - [GCC 4.2.1 Compatible Apple LLVM 9.0.0 (clang-900.0.39.2)], pyOpenSSL 18.0.0 (OpenSSL 1.1.0i 14 Aug 2018), cryptography 2.3.1, Platform Darwin-16.7.0-x86_64-i386-64bit 2018-08-26 13:07:38 [scrapy.crawler] INFO: Overridden settings: {'SPIDER_MODULES': ['tests.spiders'], 'ROBOTSTXT_OBEY': True, 'FEED_FORMAT': 'csv', 'DOWNLOAD_DELAY': 2.0, 'BOT_NAME': 'tests', 'NEWSPIDER_MODULE': 'tests.spiders', 'FEED_URI': 'test.csv'} 2018-08-26 13:07:38 [scrapy.middleware] INFO: Enabled extensions: ['scrapy.extensions.memusage.MemoryUsage', 'scrapy.extensions.telnet.TelnetConsole', 'scrapy.extensions.logstats.LogStats', 'scrapy.extensions.feedexport.FeedExporter', 'scrapy.extensions.corestats.CoreStats'] 2018-08-26 13:07:39 [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'] 2018-08-26 13:07:39 [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'] 2018-08-26 13:07:39 [scrapy.middleware] INFO: Enabled item pipelines: [] 2018-08-26 13:07:39 [scrapy.core.engine] INFO: Spider opened 2018-08-26 13:07:39 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min) 2018-08-26 13:07:39 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023 2018-08-26 13:07:39 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://jbbs.shitaraba.net/robots.txt> (referer: None) 2018-08-26 13:07:41 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://jbbs.shitaraba.net/bbs/subject.cgi/school/21722/> (referer: None) 2018-08-26 13:07:41 [scrapy.spidermiddlewares.offsite] DEBUG: Filtered offsite request to 'jbbs.shitaraba.net': <GET https://jbbs.shitaraba.net/bbs/read.cgi/school/21722/1520839559/l50> 2018-08-26 13:07:41 [scrapy.core.engine] INFO: Closing spider (finished) 2018-08-26 13:07:41 [scrapy.statscollectors] INFO: Dumping Scrapy stats: {'downloader/request_bytes': 522, 'downloader/request_count': 2, 'downloader/request_method_count/GET': 2, 'downloader/response_bytes': 24383, 'downloader/response_count': 2, 'downloader/response_status_count/200': 2, 'finish_reason': 'finished', 'finish_time': datetime.datetime(2018, 8, 26, 4, 7, 41, 774002), 'log_count/DEBUG': 4, 'log_count/INFO': 7, 'memusage/max': 53772288, 'memusage/startup': 53768192, 'offsite/domains': 1, 'offsite/filtered': 94, 'request_depth_max': 1, 'response_received_count': 2, 'scheduler/dequeued': 1, 'scheduler/dequeued/memory': 1, 'scheduler/enqueued': 1, 'scheduler/enqueued/memory': 1, 'start_time': datetime.datetime(2018, 8, 26, 4, 7, 39, 100075)} 2018-08-26 13:07:41 [scrapy.core.engine] INFO: Spider closed (finished)
該当のソースコード
spider
python
1# -*- coding: utf-8 -*- 2import scrapy 3from scrapy.linkextractors import LinkExtractor 4from scrapy.spiders import CrawlSpider, Rule 5from tests.items import TestsItem 6 7 8class ThreadCrawlSpider(CrawlSpider): 9 name = 'thread_crawl' 10 allowed_domains = ['rentalbbs.shitaraba.com'] 11 start_urls = ['https://jbbs.shitaraba.net/bbs/subject.cgi/school/21722/'] 12 13 rules = ( 14 Rule( 15 LinkExtractor(restrict_xpaths='/html/body/ul/li/a'), 16 ), 17 # まずスレッド一覧からかくスレッドのurlを取得 18 Rule( 19 LinkExtractor(restrict_xpaths='/html/body/div[3]/a[3]'), 20 callback='parse_item' 21 ) 22 # 次に各スレッドでコメントを全部表示するページに飛ぶためのurl取得 23 ) 24 25 26 def parse_item(self, response): 27 item = TestsItem() 28 texts = [] 29 item['url'] = response.url 30 for i,comment in enumerate(response.xpath('//*[@id="thread-body"]')): 31 texts = comment.xpath('dd['+i+']//text()').extract() 32 # eumerateを使ってコメントを一つずつ取っていく 33 item['text'] = [d for d in texts if '試験問題'in d] 34 #textsリストの中から'試験問題'を含むテキストを取得 35 yield item
items.py
python
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 TestsItem(scrapy.Item): 12 # define the fields for your item here like: 13 # name = scrapy.Field() 14 url = scrapy.Field() 15 link = scrapy.Field() 16 title = scrapy.Field() 17 text = scrapy.Field() 18
試したこと
リンクを抽出してリンク先をクローリングするのに関しては、下記のサイトを参考にしました。
ScrapyでURLが既知の複数のページをスクレイピング
補足情報(FW/ツールのバージョンなど)
python3.5.2
クローリング先サイトへの配慮としてDOWNLOAD_DELAY = 3.0
に設定しています。
あなたの回答
tips
プレビュー