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

87.96%

[スクレイピング, PHP] セッションIDを引き継いでスクレイピングを行いたい

解決済

回答 2

投稿 編集

  • 評価
  • クリップ 1
  • VIEW 1,046

score 263

はじめに

あるサイトのスクレイピングを行うにあたって直面している問題です。

概要

上述のサイトのA画面をスクレイピングするために、A画面をリクエストします。しかしそのサイトの仕様上、一旦B画面に遷移して内容を確認しなければ、A画面にアクセスすることができません。確認(具体的には画面内のリンクを踏む)した後はセッションIDを通じて、同一ブラウザであることが認識され、その情報が失われない限りは再度B画面に飛ぶことはありません。

※A画面はあくまで例で、サイト内の任意の画面にアクセスする前に、B画面での確認が必要です

実装と問題

実装方針として、
①任意のURLでアクセスしB画面で確認するためのURLを取得し、それをリクエストし (curl関数)
②スクレピングしたいURLの中身を取得する (loadHTML関数)
という手順を踏もうとしていますが、うまくいきません

該当コードは以下です

 public function scrapeTest() {

    session_start();

    $dom = new \DOMDocument;
    $testExampleURL = 'https://example.com';
    @$dom->loadHTML(mb_convert_encoding(file_get_contents($testExampleURL), 'HTML-ENTITIES', 'UTF-8'));
    $xpath = new \DOMXPath($dom);
    $query = $xpath->query('//center/div')->item(0);
    //B画面内の確認リンクを抽出
    $url = $query->childNodes->item(0)->attributes->item(0)->textContent;
    // ①リクエスト
    $ch = curl_init();
    curl_setopt($ch, CURLOPT_URL, $url);
    $exec = curl_exec($ch);

    // ②スクレイピングしたいURLの中身を取得する
    $exampleURL = 'https://example.com/example';
    @$dom->loadHTML(mb_convert_encoding(file_get_contents($exampleURL), 'HTML-ENTITIES', 'UTF-8'));
    var_dump($dom->documentElement);


こちらの実装では、②のURLの中身(HTML)を取得時、B画面を取得してしまいます。
原因として①と②のリクエストが同一のセッションIDを持ってないために起こっていると思いますが、ここからの実装について調べてもよくわかりませんでした。

何かアドバイスしていただける方いませんでしょうか?

どうぞよろしくお願いしますm(_ _)m

  • 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。

質問への追記・修正、ベストアンサー選択の依頼

  • m.ts10806

    2019/10/01 15:06

    example.comなど例示ドメインを使用してください。

    キャンセル

回答 2

checkベストアンサー

0

get_file_contents()実行直後、PHP定義済み変数(www.php.net)$http_response_headerにレスポンスヘッダーが格納されているのでこれを取得し、必要な物(今回の場合はクッキーからセッションIDかな?)を取得してください。
今回の場合はcurlでアクセスされてますが、画面Aからのレスポンスから画面Bへ引き継ぐ必要があるものを取得されてませんね。

取得したセッションIDなどを、次のfile_get_contents()の第3引数で適切に指定して下さい。

ブラウザを使用してのアクセスと異なり、自動でcookieなどを保存・送信してくれる分けてはないので、レスポンス・リクエストすべて必要な物を取得し送信時には送信しなければなりません。

以下にいろいろ情報があります

(google.com)file_get_contents request header
(google.com)file_get_contents response header

投稿

編集

  • 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。

  • 2019/10/01 14:25

    ありがとうございます!確認させていただきますm(_ _)m

    キャンセル

  • 2019/10/01 14:36

    画面間で引き回す必要があるものは何かを自力で調べ、レスポンスから自力で取得し、リクエスト時には自力で送信する必要があります。(しかも、いつ変更されるかはわからない)
    レスポンスにリダイレクトなどが含まれている場合はかなり複雑になりますので、
    画面遷移など2段階以上のリクエストが必要なスクレイピングとは、そういうものと考えてください。

    キャンセル

  • 2019/10/02 00:21

    こちらの回答をもとに解決することができましたので、ベストアンサーとさせいていただきます。

    キャンセル

0

逆にスクレイピングをされないような仕掛け(bot避け)なのでは?
公開者にスクレイピングの許可をとって、仕様を告知してもらえばよいような・・・

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。

  • 2019/10/01 14:15

    具体的にいうと18才以上かの確認の画面です。そのサイト内の他のカテゴリであれば、スクレイピングできるのですが、18才以上のコンテンツの場合その確認を踏まないとアクセスできず、方法を探しているところでして。。。

    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 87.96%
  • 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