効率がわるいのか?処理が間に合わない。mechanizeを用いてのRubyスクレイピング,CSVで保存
受付中
回答 2
投稿
- 評価
- クリップ 1
- VIEW 1,565
のコード辺りだと思うのですが、効率のいい書き方(全体的に)がありましたらご教授お願いします。
エラー概要
xmlXPathCompOpEval: function content not found (RuntimeError)
#coding : utf-8
require 'kconv'
require 'open-uri'
require 'mechanize'
require 'csv'
agent = Mechanize.new
header = ["会社名","メールアドレス","代表者名","所在地","TEL","FAX"]
CSV.open("XXX.csv","w", :headers => header, :write_headers => true) do |csv|
#47都道府県
for num in 1..47 do
if num < 2 then
pi = 1
elsif num < 8 then
pi = 2
elsif num < 15 then
pi = 3
elsif num < 25 then
pi = 4
elsif num < 31 then
pi = 5
elsif num < 36 then
pi = 6
elsif num < 40 then
pi = 7
else num < 48
pi = 8
end
url = "http://XXXXXXXXXXXXX" + pi.to_s + "&pref_id=" + num.to_s
html = open(url,"r:EUC-JP")
page = Nokogiri.HTML(html,nil,"EUC-JP")
count = 0
@company = []
#1ページに30社
while count < 30 do
#個別会社ページの要素を1つずつ取得
page.search(".mini2+ .mini2 a").each do |kaisya_search|
sleep(1)
count += 1
kaisya_url = kaisya_search[:href]
kaisya_html = open(kaisya_url,"r:EUC-JP")
kaisya_page = Nokogiri.HTML(kaisya_html,nil,"EUC-JP")
#tr:nth-child(1)もしくはtr:nth-child(3)のCSS3にメールアドレス
valid_address = /[\w\d_-]+@[\w\d_-]+\.[\w\d._-]+/
mail_address = kaisya_page.search('tr:nth-child(1) a').text
if valid_address =~ mail_address
@company.push(kaisya_search.text.toutf8)
@company.push(kaisya_page.search('tr:nth-child(1) a').to_s.scan(/[\w\d_-]+@[\w\d_-]+\.[\w\d._-]+/)[1])
@company.push(kaisya_page.search('.grid-7 tr:nth-child(2) td').text)
@company.push(kaisya_page.search('.grid-7 tr:nth-child(3) td').text)
#@company.push(kaisya_page.search('.grid-7 tr:nth-child(4) td').text)
#@company.push(kaisya_page.search(':content("ファックス")+ td').text)
#ほんとは上記コメントアウトの2行を加えたいのですが、処理が追いつかないのかな?下に記しました
else
@company.push(kaisya_search.text.toutf8)
@company.push(kaisya_page.search('tr:nth-child(3) a').to_s.scan(/[\w\d_-]+@[\w\d_-]+\.[\w\d._-]+/)[1])
@company.push(kaisya_page.search('tr:nth-child(4) .standard').text)
@company.push(kaisya_page.search('tr:nth-child(6) .standard').text)
#@company.push(kaisya_page.search('td td tr:nth-child(8) .standard').text)
#@company.push(kaisya_page.search('tr:nth-child(10) .standard').text)
#同上
end
csv << @company.to_a.pop(4)#daihyousya,syozaichi,tel,fax,
#次のページに移動、
if count == 30
unless page.search("span+ a").empty?
next_30_url = page.search("span+ a")[0][:href]
next_30_html = "http://www.akabou.ne.jp/" + next_30_url
next_html = open(next_30_html,"r:EUC-JP")
page = Nokogiri.HTML(next_html,nil,"EUC-JP")
count = 0
sleep(1)
end
end
end
end
end
end
-
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
+1
というエラーで検索してもズバリのものが見付からなかったのですが、パーサ Nokogiri が内部で使っているライブラリ libxml2 に関連するエラーのようです。
想像するに、 Nokogiri でパースするために kaisya_page.search で指定しておられる css が正しくないのでは、と思います。
(クロール対象のサイトが分からないですし、おそらく認証が必要なサイトなのでは、と想像していますので指摘も出来ませんが。また agent が宣言されつつ内部で全く使われていないのは、公開できないところで使っているのかなと思ったりしました。)
その他ですが、
- 都道府県コードと思われる num を if 節で分岐しておられますが、case〜when〜else〜end を使う方が見やすいかなと思います。
- ローカル変数 csv に代入するときに @company に push したものをまとめて pop しておられますが、余計に読みづらいのではないかと思いました。コメントに #daihyousya,syozaichi,tel,fax, と書くのであれば、 @company の代わりにそれらを変数名にして使えばいいのではないかと。
- インデントレベルが乱れてますので誤読しかねません。
お役に立てば幸いです。
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。
0
https://gist.github.com/gouf/ec880c381d4b606b522e
* 処理の塊に名前を付けてあげる(関数に書き出す)
* 重複を排除する
* インデントレベルが深くなっているのところを浅くする
* for やwhile はなるべく使用しない
このあたりを意識して書くと、読み易いコードが書けるように思います。
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 88.23%
- 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