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

88.58%

Python, Scrapyで複数URLから抽出、出力すると結果が重複する

解決済

回答 1

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 1,051

fukazume

score 75

■経緯

シンプルなScrapyのプログラムを組んで、複数URL分をCSV出力してみたところ、結果が以下のように重複するようになりました。他のWebページ/URLでも複数指定されると同現象が発生します。単一のURLからCSV出力した場合は正常のようです。

■質問

  1. 回答者様の環境で同じHTMLファイルとPythonファイルでCSV出力した時、同現象は再現しますでしょうか。
  2. 現象の改善方法、記述ミスの発生している可能性が高いポイントをお教えいただけますでしょうか。

■詳細

※HTMLファイルは、番号違いで計3つ存在しています。test1.html 〜 test3.html 

<html>
<head>
  <title>test2</title> <!-- 番号違いで test1〜3が存在 -->
</head>
  <body>
    <table>
        <tbody>
            <tr>
                <td>test2 A1</td> <!-- 番号違いで test1〜3が存在 -->
                <td>test2 B1</td> <!-- 番号違いで test1〜3が存在 -->
            </tr>
        </tbody>
    </table>
  </body>
</html>
$ scrapy crawl test -o test.csv
import scrapy
from ..items import TestItem

class TestSpider(scrapy.Spider):
    name = 'test'
    start_urls = [
        'file:///Users/MyName/Desktop/tutorial/test1.html',
        'file:///Users/MyName/Desktop/tutorial/test2.html',
        'file:///Users/MyName/Desktop/tutorial/test3.html',
    ]

    def parse(self, response):
        for url in self.start_urls:
            table_rows = response.xpath('//table/tbody/tr')

            for table_row in table_rows:
                item = TestItem()
                item['test_01'] = table_row.xpath('td[1]/text()').extract_first()
                item['test_02'] = table_row.xpath('td[2]/text()').extract_first()

                yield item

 

【現象1】3つのURLを指定した場合: 9行のレコードが出る

'file:///Users/MyName/Desktop/tutorial/test1.html',
'file:///Users/MyName/Desktop/tutorial/test2.html',
'file:///Users/MyName/Desktop/tutorial/test3.html',

test_01,test_02
test1 A1,test1 B1
test1 A1,test1 B1
test1 A1,test1 B1
test2 A1,test2 B1
test2 A1,test2 B1
test2 A1,test2 B1
test3 A1,test3 B1
test3 A1,test3 B1
test3 A1,test3 B1

【現象2】2つのURLを指定した場合: 4行のレコードが出る

'file:///Users/MyName/Desktop/tutorial/test1.html',
'file:///Users/MyName/Desktop/tutorial/test2.html',

test_01,test_02
test1 A1,test1 B1
test1 A1,test1 B1
test2 A1,test2 B1
test2 A1,test2 B1

【現象3】1つのURLを指定した場合: 1行のレコードが出る ※正常

'file:///Users/MyName/Desktop/tutorial/test1.html',

test_01,test_02
test1 A1,test1 B1
  • 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
    • 過去に投稿した質問と同じ内容の質問
    • 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 1

check解決した方法

0

"for url in self.start_urls:" が不要なだけでした。。

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。

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 88.58%
  • 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