###前提・実現したいこと
google apps scriptを使って下記のようなwebサイトのスクレイピング用のスクリプトを作りたいと考えています。スクレイピングしたデータはgoogleスプレッドシートに書き出して一覧化したいです。
前提:
スクレイピング対象のURLがある列に100個ほど一覧化されています。
やりたいこと:
その一つ一つのURLを開いたページ中の内部リンクURLとアンカーテキストを抜き出してきたいです。イメージは以下のようなものです。
A列 B列 |C列
対象URL(A)|ページAの内部リンクURL1 | アンカーテキスト
同上 |ページAの内部リンクURL2 | アンカーテキスト
同上 |ページAの内部リンクURL3 | アンカーテキスト
対象URL(B)|ページBの内部リンクURL1 | アンカーテキスト
同上 |ページBの内部リンクURL2 | アンカーテキスト
対象URL(C)|ページCの内部リンクURL1 | アンカーテキスト
同上 |ページCの内部リンクURL2 | アンカーテキスト
同上 |ページCの内部リンクURL3 | アンカーテキスト
###質問したいこと
一覧のURLをforで回して→UrlFetchApp.fetch()を使ってページの内容を持ってくる→aタグのところだけ抜き出してそれぞれreturnの流れで作ってみたのですが、下記のようなエラーが多発し進まない状況です。まずはどこが問題なのか知りたいです。
###発生している問題・エラーメッセージ
エラーメッセージ https://ja.wikipedia.org/wiki/%25E3%2582%25AF%25E3%2583%2583%25E3%2582%25AF%25E3%2583%2591%25E3%2583%2583%25E3%2583%2589 のリクエストに失敗しました(エラー: 400)。サーバー応答の一部: <!DOCTYPE html> <html class="client-nojs" lang="ja" dir="ltr"> <head> <meta charset="UTF-8"/> <title>不適切なページ名 - Wikipedia</title> <script>document....(応答の全文を見るには muteHttpExceptions オプションを使用してください)(行 20)が発生しました。
###該当のソースコード
function myScraping() { //1. 現在のスプレッドシートを取得 var spreadsheet = SpreadsheetApp.getActiveSpreadsheet(); //2. 現在のシートを取得 var sheet = spreadsheet.getActiveSheet(); //3. 指定するセルの範囲(A1)を取得 var range = sheet.getRange(1, 1, 100, 1); //4. 値を取得する var values = range.getValues(); var results = []; for (var i=0; i<=100; i++) { var data = scrapeSearchResult(values[i][0]); results.push(data); } return results; } function scrapeSearchResult(url) { var response = UrlFetchApp.fetch(url), regexp = //a/, elements = response.getContentText().match(regexp), result = []; for (var i in elements) { var doc = XmlService.parse(elements[i]), root = doc.getRootElement(); result.push({ title: root.getValue(), link: root.getChild('a').getAttribute('href').getValue().match(/^\/url\?q=(.+?)\&/)[1] }) } return result; }
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。