画像スクレイピングがうまくいきません。
解決済
回答 1
投稿
- 評価
- クリップ 0
- VIEW 836
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。
-
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
0
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
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 88.35%
- 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
質問への追記・修正、ベストアンサー選択の依頼
t_obara
2019/09/04 11:48
># 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
2019/09/04 11:52
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。