画像スクレイピングがうまくいきません。

Question

私はpython経験半年の者です。

ポケモンの画像を1000枚、Googleからスクレイピングしようと以下のコードを作りました。

しかし、実際に以下のコードを実行してみるとWeb上の１〜２０番目の画像だけが50回分スクレイピングされてしまいました。

import requests
from bs4 import BeautifulSoup
import lxml
import urllib.request
import os
import ssl
ssl._create_default_https_context = ssl._create_unverified_context
# https://shinespark.hatenablog.com/entry/2015/12/06/100000
# PEP 0476に従い、Python2.7.9以降はSSL証明書が正しくない場合にはデフォルトでSSL認証エラーを出すようになった模様。

for num in range(50):
    # rangeで画像の量を選択：50×20=1000枚
    headers = {"User-Agent":"hoge"}
    URL = 'https://www.google.com/search?q=%E3%83%9D%E3%82%B1%E3%83%A2%E3%83%B3+%E9%9B%86%E5%90%88&source=lnms&tbm=isch&sa=X&ved=0ahUKEwi1lLGP_7XkAhXKGaYKHXNJBHgQ_AUIEigB&biw=1280&bih=720'
    # URLは画像検索したトップのURLをコピペする
    resp = requests.get(URL, timeout=1, headers=headers)
    soup = BeautifulSoup(resp.text, "lxml")
    imgs = soup.find_all("img")

    for i in range(len(imgs)):
        x = "pokemon"
        #↑ディレクトリ名はその都度変更するように！
        dir_name = "./data/{0}".format(x)
        if not os.path.exists(dir_name):
            os.makedirs(dir_name)
        filepath = dir_name + "/{0}-{1}.jpg".format(num,i)
        urllib.request.urlretrieve(imgs[i]["src"],filepath)
        
#実行方法：python download2.py

エラーは出ませんでした。
Web上の画像１〜1000番目までをスクレイピングするにはどうしたらよいでしょうか？

コメントアウト部分が多く大変見づらいとは思いますが、ぜひご教授いただければ幸いです。

よろしくお願い致します。

Comments

[t_obara]

＞# rangeで画像の量を選択：50×20=1000枚
この20の部分はどこに記載されているのでしょうか？

[taka-ken]

t_abaraさん
何もコードに書いていないのにもかかわらず、20として処理されている状況です。

Answer 1

for num in range(50): # 50回繰り返す
   # Webページ取得
   resp = requests.get(URL, timeout=1, headers=headers) 
   # Web上の画像を取得
   imgs = soup.find_all("img") # ここでは20件しか表示されていない
   # imgsを保存

なので、当然その動作かと思います。
Google 画像検索のページはスクロールによって ajax で非同期に次のページを読み込んでいるようなので、スクロールしない限り20枚目以降の結果は取得できなさそうです。

が、そもそも画像検索に関してはAPIが用意されているので、スクレイピングよりそちらの利用を推奨します。
https://developers.google.com/custom-search/v1/overview

スクレイピングは API などが用意されていない等の理由でとる最後の手段という意味が強く、
デメリットも多いのでAPIがあるのであればそちらの利用を推奨します。

デメリット

取得先の相手が望まない形のアクセスとなる

• Sleepや適切なコードを書いても訴訟になったケースあり

壊れやすい

- 相手先でHTMLの構造を変えられると容易に壊れる

JavaScript やブラウザまでエミュレートすると動作が遅い

Comments

[taka-ken]

unhappychoiceさん
他の方法(API)までお示ししていただいてありがとう御座います。
Googleの場合、スクロールしない限り20枚目以降の結果は取得できないというのは初めて知りました。yahooでしたらうまくいくでしょうか？

[unhappychoice]

Yahoo もボタンを押すタイプですが同様です。 回答に追記しましたが、スクレイピングはデメリットが多いので API の利用を推奨します。

[taka-ken]

unhappychioceさん
そうなんですね。ありがとう御座います。
APIを試してみます。