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

89.99%

seleniumで無限スクロールページをスクレイピングする際に動作が重くなってくる

解決済

回答 2

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 171

banao

score 3

無限スクロールページをスクレイピングしているのですが、途中で動作が重くなってしまいます。
以下が動かしているコードの一部です。
python初心者なため、稚拙な記述の仕方かもしれませんがご容赦くださいm(__)m

from selenium.webdriver import Chrome, ChromeOptions, Remote
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.ui import WebDriverWait
from selenium.common.exceptions import NoSuchElementException
from selenium.webdriver.common.by import By
import time
import re
import sys
import json
import datetime

# 諸情報
login_ID = '******'
login_pass = '******'
chromedriver_path = 'C:/Users/******/chromedriver/chromedriver.exe'
access_url = '******'

# メイン処理
def main():
    options = ChromeOptions()
    options.add_argument('--headless') # ヘッドレス起動時のみ
    driver = Chrome(executable_path=chromedriver_path,options=options)
    navigate(driver) # 目標箇所に遷移
    time.sleep(2)
    contents = scrape_contents(driver) # 内容をスクレイピング

# スクレイピング箇所まで移動
def navigate(driver):
    driver.get(access_url)
    input_element = driver.find_element_by_name('tid')
    input_element.send_keys(login_ID)
    input_element = driver.find_element_by_name('tpasswd')
    input_element.send_keys(login_pass)
    driver.find_element_by_class_name('MdBtn01').click()
    time.sleep(2)
    driver.find_element_by_class_name('MdBtn01').click()
    time.sleep(2)

# スクレイピング
def scrape_contents(driver):
    contents = []
    n = 1
    limit = 3000
    while n <= limit:
        article = driver.find_elements_by_css_selector(f'div.container > section > article:nth-of-type({n})')
        try: article = article[0]
        except: break
        try:
            post_time = article.find_element_by_css_selector('dd.time > a').text
            post_text = article.find_element_by_css_selector('div.article_contents > p.type_text').text
            post_comment = []
            for c in article.find_elements_by_css_selector('dd.comment > p > span'):
                post_comment.append(c.text)
            post_pic_style = []
            post_pic = []
            for p in article.find_elements_by_css_selector('div.article_contents > div > div > span > a > span[style]'):
                post_pic_style.append(p)
            for b in post_pic_style:
                b = b.value_of_css_property('background-image')
                b = re.findall('"(.*)"',b)
                b =  ','.join(b)
                post_pic.append(b)
        except NoSuchElementException:
            post_time = ''
            post_text = ''
            post_comment = ''
            post_pic = ''
        contents.append({
            "time": post_time,
            "text": post_text,
            "comment": post_comment,
            "pic": post_pic,
        })
        if n % 10 == 0:
            try:
                driver.execute_script('scroll(0, document.body.scrollHeight)')
                wait = WebDriverWait(driver, 100)
                wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, f'div.container > section > article:nth-of-type({n+1})')))
            except:
                break
        sys.stdout.write("\r投稿情報取得数:%d" % n)
        sys.stdout.flush()
        n = n + 1
    return contents

# 実行
if __name__ == '__main__':
    main()


自動操作でアクセスしたページで投稿(article)の投稿日時、内容、画像URL、返信コメントをスクレイピングしています。articleの要素は最初は10個あり、下までスクロールすると新たに10個読み込まれます。
limitでスクレイピングする投稿数を指定しています。
上のコードの場合は3000回ループさせていますが、2000回あたりで動作の重さが顕著になっていき、3000当たりではほぼ止まってタイムアウトすることもあります。
原因はchromeで読み込んでいるページが大きくなりすぎているからでしょうか?また、10000回ほどループさせたいのですが、どうすればタイムアウト(100秒まで)せずに処理できるでしょうか?

  • 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
    • 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

  • 退会済みユーザー

    退会済みユーザー

    2019/10/31 07:29 編集

    1. 動作が重くなっている時の画面の状態は確認されていますか?
    2. スクロールするたびにページの要素数が増加していることを確認されていますか?

    現行の # スクレイピング はタイムアウトの指定のみで300回ページにアクセスしているように見えます。
    短期間に高頻度でアクセスすると反応が悪くなることもあるのでは?

    キャンセル

回答 2

checkベストアンサー

0

原因はchromeで読み込んでいるページが大きくなりすぎているからでしょうか?

そうでしょうね。手動でも同様ではないでしょうか。
Chromeの使用メモリが膨らんでいると思うので、確認してみてください。

どうすればタイムアウト(100秒まで)せずに処理できるでしょうか?

タイムアウト時間を延ばして解決するなら良いのですが、それにしても無限にメモリを使わせるのは無理なので、自動スクロールをしないで全件を取得する手段がないか、画面やHTMLやJavaScript等を調べるのでしょうか。

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。

  • 2019/11/08 12:23

    フワフワした質問で申し訳ありませんでした。やはりChromeのメモリが膨らみすぎているようです。タイムアウトを伸ばす手段以外を探してみたいと思います。

    キャンセル

0

ある程度重くなることをある処理ができるようになるまでの時間で測っていいのならwebdriverwaitをつかうといいと思います。
参考

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 89.99%
  • 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