Python・scrapyを用いたクローリングでjlファイルに保存できない
解決済
回答 1
投稿
- 評価
- クリップ 0
- VIEW 1,506
前提・実現したいこと
Pythonクローリング・スクレイピングという本を用いてクローラの作成を行っています。
Yahooニュースのクローリングを行うspiderの作成中です。
発生している問題・エラーメッセージ
クローリング自体は行われていますがトピックスのクローリングが行われず終了してしまいます。
news.jlというファイルに保存されるはずですが保存できていません。
scrapy crawl news -o news.jl
2018-11-28 15:27:30 [scrapy.utils.log] INFO: Scrapy 1.5.1 started (bot: myproject)
2018-11-28 15:27:30 [scrapy.utils.log] INFO: Versions: lxml 4.2.5.0, libxml2 2.9.8, cssselect 1.0.3, parsel 1.5.1, w3lib 1.19.0, Twisted 18.9.0, Python 3.7.1 (v3.7.1:260ec2c36a, Oct 20 2018, 03:13:28) - [Clang 6.0 (clang-600.0.57)], pyOpenSSL 18.0.0 (OpenSSL 1.1.0i 14 Aug 2018), cryptography 2.4.1, Platform Darwin-18.2.0-x86_64-i386-64bit
2018-11-28 15:27:30 [scrapy.crawler] INFO: Overridden settings: {'BOT_NAME': 'myproject', 'DOWNLOAD_DELAY': 1, 'FEED_EXPORT_ENCODING': 'utf-8', 'FEED_FORMAT': 'jl', 'FEED_URI': 'news.jl', 'NEWSPIDER_MODULE': 'myproject.spiders', 'ROBOTSTXT_OBEY': True, 'SPIDER_MODULES': ['myproject.spiders']}
2018-11-28 15:27:30 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats',
'scrapy.extensions.telnet.TelnetConsole',
'scrapy.extensions.memusage.MemoryUsage',
'scrapy.extensions.feedexport.FeedExporter',
'scrapy.extensions.logstats.LogStats']
2018-11-28 15:27:31 [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']
2018-11-28 15:27:31 [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']
2018-11-28 15:27:31 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2018-11-28 15:27:31 [scrapy.core.engine] INFO: Spider opened
2018-11-28 15:27:31 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2018-11-28 15:27:31 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023
2018-11-28 15:27:31 [scrapy.downloadermiddlewares.redirect] DEBUG: Redirecting (301) to <GET https://news.yahoo.co.jp:443/robots.txt> from <GET http://news.yahoo.co.jp/robots.txt>
2018-11-28 15:27:32 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://news.yahoo.co.jp:443/robots.txt> (referer: None)
2018-11-28 15:27:33 [scrapy.downloadermiddlewares.redirect] DEBUG: Redirecting (301) to <GET https://news.yahoo.co.jp:443/> from <GET http://news.yahoo.co.jp/>
2018-11-28 15:27:34 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://news.yahoo.co.jp:443/robots.txt> (referer: None)
2018-11-28 15:27:36 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://news.yahoo.co.jp:443/> (referer: None)
2018-11-28 15:27:36 [scrapy.core.engine] INFO: Closing spider (finished)
2018-11-28 15:27:36 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'downloader/request_bytes': 1151,
'downloader/request_count': 5,
'downloader/request_method_count/GET': 5,
'downloader/response_bytes': 42354,
'downloader/response_count': 5,
'downloader/response_status_count/200': 3,
'downloader/response_status_count/301': 2,
'finish_reason': 'finished',
'finish_time': datetime.datetime(2018, 11, 28, 6, 27, 36, 364636),
'log_count/DEBUG': 6,
'log_count/INFO': 7,
'memusage/max': 49594368,
'memusage/startup': 49594368,
'response_received_count': 3,
'scheduler/dequeued': 2,
'scheduler/dequeued/memory': 2,
'scheduler/enqueued': 2,
'scheduler/enqueued/memory': 2,
'start_time': datetime.datetime(2018, 11, 28, 6, 27, 31, 26253)}
2018-11-28 15:27:36 [scrapy.core.engine] INFO: Spider closed (finished)
該当のソースコード
import scrapy
from myproject.items import Headline # ItemのHeadlineクラスをインポート。
class NewsSpider(scrapy.Spider):
name = "news" # Spiderの名前。
# クロール対象とするドメインのリスト。
allowed_domains = ["news.yahoo.co.jp"]
# クロールを開始するURLのリスト。
start_urls = ['http://news.yahoo.co.jp/']
def parse(self, response):
for url in response.css('ul.topics a::attr("href")').re(r'/pickup/\d+$'):
yield scrapy.Request(response.urljoin(url), self.parse_topics)
def parse_topics(self, response):
item = Headline() # Headlineオブジェクトを作成。
item['title'] = response.css('.newsTitle ::text').extract_first() # タイトル
item['body'] = response.css('.hbody').xpath('string()').extract_first() # 本文
yield item # Itemをyieldして、データを抽出する。
試したこと
本のサンプル通りに作成したためソース自体は合っている(はずです)
ドメインも確認しました。
補足情報(FW/ツールのバージョンなど)
ここにより詳細な情報を記載してください。
-
気になる質問をクリップする
クリップした質問は、後からいつでもマイページで確認できます。
またクリップした質問に回答があった際、通知やメールを受け取ることができます。
クリップを取り消します
-
良い質問の評価を上げる
以下のような質問は評価を上げましょう
- 質問内容が明確
- 自分も答えを知りたい
- 質問者以外のユーザにも役立つ
評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。
質問の評価を上げたことを取り消します
-
評価を下げられる数の上限に達しました
評価を下げることができません
- 1日5回まで評価を下げられます
- 1日に1ユーザに対して2回まで評価を下げられます
質問の評価を下げる
teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。
- プログラミングに関係のない質問
- やってほしいことだけを記載した丸投げの質問
- 問題・課題が含まれていない質問
- 意図的に内容が抹消された質問
- 過去に投稿した質問と同じ内容の質問
- 広告と受け取られるような投稿
評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。
質問の評価を下げたことを取り消します
この機能は開放されていません
評価を下げる条件を満たしてません
質問の評価を下げる機能の利用条件
この機能を利用するためには、以下の事項を行う必要があります。
- 質問回答など一定の行動
-
メールアドレスの認証
メールアドレスの認証
-
質問評価に関するヘルプページの閲覧
質問評価に関するヘルプページの閲覧
checkベストアンサー
+1
cssセレクタが変更されているようです
変更前
ul.topics
変更後
ul.toptopics_list
def parse(self, response):
for url in response.css('ul.toptopics_list a::attr("href")').re(r'/pickup/\d+$'):
yield scrapy.Request(response.urljoin(url), self.parse_topics)
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 88.34%
- 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
2018/11/28 17:16