プロキシ経由でWebスクレイピング

解決済

回答 3

投稿

  • 評価
  • クリップ 2
  • VIEW 3,063

1nakaji

score 181

プロキシ経由でスクレイピングをしたいと考えています。

具体的には「A」というメインサーバーから
「B」というプロキシサーバー経由で
Googleの検索結果をスクレイピングしたいです。

PCを立ち上げずに、
CRONなどでAサーバー内のプログラムを実行し、
Bを通してスクレイピングするイメージです。

とりあえずYahoo!のトップページを取得する
以下のプログラムを書きました(Aサーバーに置くプログラムです)。
━━━━━━━━━━━━━━━━━━
<?php
$proxy = array(
    "http" => array(
        "proxy" => "tcp://(プロキシサーバーのIPアドレス):9987",
        "request_fulluri" => true,
    )
);
$proxy_context = stream_context_create($proxy);
$contnts =  file_get_contents('http://www.yahoo.co.jp/', false, $proxy_context);
echo $contnts;
?>
━━━━━━━━━━━━━━━━━━

すると以下のようなエラーが表示されました。
━━━━━━━━━━━━━━━━━━
Warning: file_get_contents(http://www.yahoo.co.jp/): failed to open stream: HTTP request failed! HTTP/1.0 403 Forbidden in /home/xxx/www/proxy/index.php on line 20
━━━━━━━━━━━━━━━━━━


Bのプロキシサーバーは、
さくらVPSとSquidを使って自分で構築しています。

ブラウザでBプロキシ経由のアクセスに設定すると、
アクセスは正常にBのIPアドレスになりますので、
B自体は動作しているかと思います。

AサーバーでもBプロキシサーバーでも、
file_get_contentsは動作していました。

プロキシ経由で取得しようとすると、
このようなエラーが発生します。


こちら何か分かることはありますでしょうか。
何かあれば、教えていただけますと幸いです。


何卒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。

回答 3

checkベストアンサー

0

Warning: file_get_contents(http://www.yahoo.co.jp/): failed to open stream: HTTP request failed! HTTP/1.0 403 Forbidden in /home/xxx/www/proxy/index.php on line 20 

ここに書いてある通りですよね。アクセスをYahooのサーバーが拒否しているということ以下でも以上でもないと思うのですが…。

get_headers

ストリームコンテキストを変更しながら、レスポンスヘッダを地道に解析して突破する以外に方法はないでしょうね。

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。

  • 2015/08/13 17:17

    やはり、そういうことなんですね。
    それが分かっただけでも助かります。

    地道にいろいろ試してみます。
    ご回答ありがとうございました。

    キャンセル

  • 2015/08/13 17:21

    ライブラリを探したところで、きっと存在しないでしょう…
    そもそもYahooはそういったアクセスをされたくないから403 を返しているわけで、そんなライブラリが見つかれば、すぐに対策をとるはずです。

    キャンセル

  • 2015/08/14 01:18

    ご返信ありがとうございます。
    そのあたりは自分でなんとかしないとですね。

    なんとか解決しそうですので、
    アドバイスを元に努力します。

    キャンセル

0

file_get_contents関数よりもcURL関数の方が細かく設定ができます。cURL関数でもProxyを設定できるので、こちらをお試しください。

PHP cURLの色々な使い方

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。

  • 2015/08/13 17:17

    ご回答ありがとうございます。
    cURLでも試していました。

    そちらでもエラーになってました。
    ヘッダーなどいじって試してみます。

    ありがとうございます。

    キャンセル

0

エラーメッセージの最後に

in /home/xxx/www/proxy/index.php on line 20
とありますが、これはプロキシ側のプログラムなのですよね?

その20行目でエラーが発生しているかのようなメッセージですけれども・・・
そこはYahoo!側にリクエストを投げる部分ですか?

もしそうなら、リクエストの為のパラメーターが想定通りに渡せていないというようなことはありませんか?

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。

  • 2015/08/14 01:19

    ご回答ありがとうございます。
    なるほどですね。

    その辺りも検証させていただきます。
    ありがとうございます。

    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 90.22%
  • 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