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

87.61%

Scrapyでyieldで書き込んだ値がまれにresponse.meta['xxx']から再度取得できてしまう

解決済

回答 1

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 622

score 1

----追記----
解決するまで実際に利用しているコードを載せます。
https://github.com/yoshi-fim/crawler

crawler/hellowork/spiders/crawler.py
のpage_parse関数内で問題が発生しております。

※営利目的での利用ではないため、利用規約には抵触しておりません。

表題の書き方がわかりにくくすみません。以下にコードも交えて問題の内容を書いていきます。

Scrapyで
https://teratail.com/questions/219281
を参考にmetaを利用した関数を書いております。

from project.items ProjectItem

# 1ページ目で取得できる情報をitemに記録
def parse(self, response):
   # 複数のページを回る
   for page in page_list:
     item = ProjectItem()
     next_url = response.css(.........
     item['xxx'] = response.css(.........
     yield scrapy.Request(next_url, callback=self.next_parse, meta={'item': item}

# metaを使って前のページで取得したitemを取得。2ページ目で取得できる情報を追加で記録する
def next_parse(self, response):
   item = response.meta['item']
   item['yyy'] = response.css(.........

   yield item

というように、記録しています。(実際に記述しているコードはかなり行数が多いため省いて書いております)
この場合、next_parse関数のitem = response.meta['item']から取得できるデータは、parse関数で取得した

item = {'xxx': 'xxxxxxxxxxxxxxx'}


ようなものになる設計です。そして、最後のyield itemでは

item = {'xxx': 'xxxxxxxxxxxxxx',
        'yyy': 'yyyyyyyyyyyyyy'}


のようなデータをoutputする設計になっています。
※'xxxxxxxxxxxxx'や'yyyyyyyyyyyyyyy'の値はクローリング対象ページのデータによって異なります。

問題になっているのは、next_parse関数のitem = response.meta['item']でitemを取得しようとすると、前回のnext_parse関数実行時にyieldしたitemデータを取得してしまう、ということです。

itemのデータがおかしいことを調べるために

def next_parse(self, response):
   item = response.meta['item']
   import pdb; pdb.set_trace()
   item['yyy'] = response.css(.........

   yield item


上記のようにpdb.set_trace()を入れて、item変数の中身を確認しました。
この確認により、

item = {'xxx': 'xxxxxxxxxxxxxxx'}


という感じで正常にitemが格納されていることもあれば、

item = {'xxx': 'xxxxxxxxxxxxxx',
        'yyy': 'yyyyyyyyyyyyyy'}


という感じで、この時点では取得できているはずのない'yyy'の値が入っている場合があることが判明しました。

今まで何度かScrapyコードを書いてきましたが、こういったことは初めてでした。

このような重複が起きうる場合があるのでしょうか?また、それを避ける方法はあるのでしょうか?
ご教授のほどよろしくお願いいたします。

試したこと

yieldしたitemを再度metaに記録したり、インデントのズレが無いかどうかチェックしましたが問題有りませんでした。

また、parse関数でRequestをする直前のitemの中身、next_parse関数でmetaからitemを取得した直後のitemの中身をそれぞれ確認したところ、
next_parseで取得したデータのみに上記の異常が見つかりました。

実行環境

Python 3.8.0
Scrapy 2.3.0

  • 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

  • yoshi-fim

    2020/08/18 16:57

    next_parse関数の item = response.meta['item'] の結果のことですか?
    >>>>>>>>>>こちらの結果のことになります。言葉足らずですみません。

    キャンセル

  • quickquip

    2020/08/18 17:06

    それなら質問としては理解できます。(回答はちょっと思いつきませんが)

    > まれに item = {'xxx': 'xxxxxxxxxxxxxx', 'yyy': 'yyyyyyyyyyyyyy'} のようなデータを取得してしまう場合があります。

    を確認した方法も不明でした。(直後に'yyy'をセットしているところを外してみたとかでしょうか?)
    併せて質問を編集していただければと思います。

    キャンセル

  • yoshi-fim

    2020/08/18 17:16

    確認方法も含めて再度編集しました。要確認事項について何度もご指摘くださりありがとうございます。

    キャンセル

回答 1

check解決した方法

0

解決しましたので修正内容を記述します。
そもそも、説明用に簡易的に書いたコードの内容のうち、parse関数について、実際のコードで書いているものと少し違っていました。

質問で書いていたコード

# 1ページ目で取得できる情報をitemに記録
def parse(self, response):
   # 複数のページを回る
   for page in page_list:
     item = ProjectItem()
     next_url = response.css(.........
     item['xxx'] = response.css(.........
     yield scrapy.Request(next_url, callback=self.next_parse, meta={'item': item}


実際にはfor文の前でitemインスタンスを作成していました。
実際のコード(イメージ)

# 1ページ目で取得できる情報をitemに記録
def parse(self, response):
   # 【違っていたポイント】for文の前でitemインスタンスを定義していました。
   item = ProjectItem()
   item['xxx'] = response.css(.........
   for page in page_list:
     next_url = response.css(.........
     yield scrapy.Request(next_url, callback=self.next_parse, meta={'item': item}

デバッグツールなどで一行ずつ叩くなどしていろいろ調べてみると、for文で回しているpage_listの配列の長さが2以上の場合に今回の問題が発生することに気づきました。

for文の前でitemインスタンスを定義しており、同じitemインスタンスを使いまわしているのが良くないのではないか?と思い、質問で書いていたようなfor文の中でitemインスタンスを作成するように修正したところ、問題が解決できました。

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 87.61%
  • 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