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!

新規登録して質問してみよう
ただいま回答率
85.35%
Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

Scrapy

Scrapyは、Pythonで開発されたオープンソースソフトウェアです。スクレイピングという、Webサービスから必要な情報を取り出したり自動操作をしたりする技術を使うものです。

Q&A

0回答

636閲覧

Scrapyが2ページ目に飛んでくれない

ShortArrow

総合スコア141

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

Scrapy

Scrapyは、Pythonで開発されたオープンソースソフトウェアです。スクレイピングという、Webサービスから必要な情報を取り出したり自動操作をしたりする技術を使うものです。

0グッド

0クリップ

投稿2021/04/26 08:15

やりたいこと

Scrapy の利用検討で、Googleのサイトをスクレイピングしてみています。

  1. Googleにアクセス
  2. Googleについてというリンクを見つける
  3. Googleについてに飛ぶ
  4. プロダクトというリンクを見つける
  5. プロダクトに飛ぶ

困っていること

「Googleについて」のページに飛べません。もしよろしければ、解決の糸口をご教授下さい。
そもそも、スパイダーの使い方を間違えているのでしょうか?

コード

python

1import scrapy 2 3class GoogleSpider(scrapy.Spider): 4 name = 'google' 5 allowed_domains = [''] 6 start_urls = ['https://www.google.com'] 7 8 def parse(self, response:scrapy.Selector): 9 self.log("page1") 10 a:scrapy.Selector 11 for a in response.css('a'): 12 try: 13 if "Googleについて" in a.css("::text").get(): 14 self.log("Googleについて") 15 next_page=response.urljoin(a.attrib['href']) 16 print(next_page) 17 scrapy.Request(next_page,callback=self.parse_page2) 18 break 19 except: 20 print("error") 21 self.log("finish") 22 23 def parse_page2(self, response): 24 self.log("page2") 25 for a in response.css('a'): 26 if "プロダクト" in a.css("div::text").get(): 27 pass 28 29 def log(self,text): 30 f = open('log.txt', 'a') 31 f.write(text+"\n") 32 f.close()

テキトーなLog

log

1page1 2Googleについて 3finish

terminal

1 cd /home/who/ScrapyPE ; /usr/bin/env /home/who/.local/share/virtualenvs/ScrapyPE-1yXy5pp_/bin/python /home/who/.vscode-server/extensions/ms-python.python-2021.4.765268190/pythonFiles/lib/python/debugpy/launcher 35893 -- crawl.py google 22021-04-26 17:06:58 [scrapy.utils.log] INFO: Scrapy 2.5.0 started (bot: ScrapyPE) 32021-04-26 17:06:58 [scrapy.utils.log] INFO: Versions: lxml 4.6.3.0, libxml2 2.9.10, cssselect 1.1.0, parsel 1.6.0, w3lib 1.22.0, Twisted 21.2.0, Python 3.9.4 (default, Apr 4 2021, 18:23:51) - [GCC 8.3.0], pyOpenSSL 20.0.1 (OpenSSL 1.1.1k 25 Mar 2021), cryptography 3.4.7, Platform Linux-5.4.72-microsoft-standard-WSL2-x86_64-with-glibc2.28 42021-04-26 17:06:58 [scrapy.utils.log] DEBUG: Using reactor: twisted.internet.epollreactor.EPollReactor 52021-04-26 17:06:58 [scrapy.crawler] INFO: Overridden settings: 6{'BOT_NAME': 'ScrapyPE', 7 'DOWNLOAD_DELAY': 1, 8 'NEWSPIDER_MODULE': 'ScrapyPE.spiders', 9 'ROBOTSTXT_OBEY': True, 10 'SPIDER_MODULES': ['ScrapyPE.spiders'], 11 'USER_AGENT': 'Mozilla/5.0 (iPhone; CPU iPhone OS 13_2_3 like Mac OS X) ' 12 'AppleWebKit/605.1.15 (KHTML, like Gecko) Version/13.0.3 ' 13 'Mobile/15E148 Safari/604.1'} 142021-04-26 17:06:58 [scrapy.extensions.telnet] INFO: Telnet Password: c9730deda600e37f 152021-04-26 17:06:58 [scrapy.middleware] INFO: Enabled extensions: 16['scrapy.extensions.corestats.CoreStats', 17 'scrapy.extensions.telnet.TelnetConsole', 18 'scrapy.extensions.memusage.MemoryUsage', 19 'scrapy.extensions.logstats.LogStats'] 202021-04-26 17:06:58 [scrapy.middleware] INFO: Enabled downloader middlewares: 21['scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware', 22 'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware', 23 'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware', 24 'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware', 25 'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware', 26 'scrapy.downloadermiddlewares.retry.RetryMiddleware', 27 'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware', 28 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware', 29 'scrapy.downloadermiddlewares.redirect.RedirectMiddleware', 30 'scrapy.downloadermiddlewares.cookies.CookiesMiddleware', 31 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware', 32 'scrapy.downloadermiddlewares.stats.DownloaderStats'] 332021-04-26 17:06:58 [scrapy.middleware] INFO: Enabled spider middlewares: 34['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware', 35 'scrapy.spidermiddlewares.offsite.OffsiteMiddleware', 36 'scrapy.spidermiddlewares.referer.RefererMiddleware', 37 'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware', 38 'scrapy.spidermiddlewares.depth.DepthMiddleware'] 392021-04-26 17:06:58 [scrapy.middleware] INFO: Enabled item pipelines: 40[] 412021-04-26 17:06:58 [scrapy.core.engine] INFO: Spider opened 422021-04-26 17:06:58 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min) 432021-04-26 17:06:58 [scrapy.extensions.telnet] INFO: Telnet console listening on 127.0.0.1:6023 442021-04-26 17:06:58 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://www.google.com/robots.txt> (referer: None) 452021-04-26 17:07:00 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://www.google.com> (referer: None) 46error 47error 48error 49error 50error 51https://about.google/?utm_source=google-JP&utm_medium=referral&utm_campaign=hp-footer&fg=1 522021-04-26 17:07:04 [scrapy.core.engine] INFO: Closing spider (finished) 532021-04-26 17:07:04 [scrapy.statscollectors] INFO: Dumping Scrapy stats: 54{'downloader/request_bytes': 648, 55 'downloader/request_count': 2, 56 'downloader/request_method_count/GET': 2, 57 'downloader/response_bytes': 47881, 58 'downloader/response_count': 2, 59 'downloader/response_status_count/200': 2, 60 'elapsed_time_seconds': 6.347248, 61 'finish_reason': 'finished', 62 'finish_time': datetime.datetime(2021, 4, 26, 8, 7, 4, 946759), 63 'httpcompression/response_bytes': 151383, 64 'httpcompression/response_count': 2, 65 'log_count/DEBUG': 2, 66 'log_count/INFO': 10, 67 'memusage/max': 71077888, 68 'memusage/startup': 71077888, 69 'response_received_count': 2, 70 'robotstxt/request_count': 1, 71 'robotstxt/response_count': 1, 72 'robotstxt/response_status_count/200': 1, 73 'scheduler/dequeued': 1, 74 'scheduler/dequeued/memory': 1, 75 'scheduler/enqueued': 1, 76 'scheduler/enqueued/memory': 1, 77 'start_time': datetime.datetime(2021, 4, 26, 8, 6, 58, 599511)} 782021-04-26 17:07:04 [scrapy.core.engine] INFO: Spider closed (finished)

環境

  • WSL2 Debian
  • Pipenv Latest
  • python 3.9
  • Scrapy 2.5

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MY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。

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

guest

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

まだ回答がついていません

会員登録して回答してみよう

アカウントをお持ちの方は

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
85.35%

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る

質問する

関連した質問