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
85.50%
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。

Q&A

解決済

1回答

6012閲覧

scrapyのrulesで相対URLを辿る

退会済みユーザー

退会済みユーザー

総合スコア0

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。

0グッド

1クリップ

投稿2017/05/29 08:21

現在scrapyを使ってWebスクレイピングの勉強をしています。

start_urlからリンクをたどる必要があるので、ClawlSpiderを使用しようと思っています。

ClawlSpiderのRule文でLinkExtractorのallowを使ってリンクを抽出しようとしています。

しかし、そのstart_urlのページ内のhrefに書かれているURLが相対URLになっているので、抽出できてもアクセスすることができてないようです。

具体例を挙げます。

python

1class OsySpider(scrapy.Spider): 2 name = 'OSy' 3 allowed_domains = ['www0.osakafu-u.ac.jp/syllabus/'] 4 start_urls = ['http://www0.osakafu-u.ac.jp/syllabus/'] 5 6 def parse(self,response): 7 for href in response.css('#contents > div:nth-child(5) li.li3 a::attr("href")').extract(): 8 print(response.urljoin(href))

上のようにすればurljoinを用いることで、目的の絶対URLをただ表示することはできます。

チュートリアルを見ると、allow内はリストでも良いっぽいので
http://scrapy-ja.readthedocs.io/ja/latest/topics/link-extractors.html#topics-link-extractors

python

1 hrefArray = [] 2 for href in response.css('#contents > div:nth-child(5) li.li3 a::attr("href")').extract(): 3 hrefArray.append(response.urljoin(href))

こんな感じでhrefArrayという絶対URLが入ったリストを作ってみたのですが、

python

1class OsySpider(scrapy.Spider): 2 name = 'OSy' 3 allowed_domains = ['www0.osakafu-u.ac.jp/syllabus/'] 4 start_urls = ['http://www0.osakafu-u.ac.jp/syllabus/'] 5 6 hrefArray = [] 7 for href in response.css('#contents > div:nth-child(5) li.li3 a::attr("href")').extract(): 8 hrefArray.append(response.urljoin(href)) 9 10 rules = ( 11 Rule(LinkExtractor(allow=hrefArray), callback='parse_topics'), 12 ) 13 14 def parse_topics(self, response): 15 print('success')

とすると、responseが定義されていません。とエラーが出ます。
恐らくscrapyがrule(parse関数を内包) → callback関数の順番に実行されるからだと思うのですが、これだとリストを創ることができないし、またそれをallowに指定することもできません。

rulesで相対URLをたどることは可能なのでしょうか。
よろしくお願いします。

※ClawlSpiderを使わないで相対URLをたどる方法はこの質問文を書いている時に見つけました。

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

回答1

0

ベストアンサー

とすると、responseが定義されていません。とエラーが出ます。

そもそもこのエラーは下記のようにresponseが存在しないのに使おうとしてるからエラーになるんじゃないでしょうか。

Python

1class OsySpider(scrapy.Spider): 2 name = 'OSy' 3 allowed_domains = ['www0.osakafu-u.ac.jp/syllabus/'] 4 start_urls = ['http://www0.osakafu-u.ac.jp/syllabus/'] 5 6 hrefArray = [] 7 # いきなりここでresponseを使おうとしているからエラー 8 for href in response.css('#contents > div:nth-child(5) li.li3 a::attr("href")').extract(): 9 hrefArray.append(response.urljoin(href)) 10

なぜ、CrawlSpiderなのはダメだったのかよくわかっていませんが、CrawlSpiderでも下記のようにすれば欲しいリンク(syllabus以下のリンク)を辿ってくれると思いました。

python

1from scrapy.contrib.spiders import Rule 2from scrapy.contrib.linkextractors import LinkExtractor 3from scrapy.contrib.spiders import CrawlSpider 4 5 6class OsySpider(CrawlSpider): 7 name = 'OSy' 8 allowed_domains = ['www0.osakafu-u.ac.jp'] 9 start_urls = ['http://www0.osakafu-u.ac.jp/syllabus/'] 10 rules = [ 11 Rule(LinkExtractor(r'^http://www0.osakafu-u.ac.jp/syllabus/'), follow=True, callback='parse_topics') 12 ] 13 14 def parse_topics(self, response): 15 print('success', response.url) 16

投稿2017/05/31 04:15

tell_k

総合スコア2120

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。

退会済みユーザー

退会済みユーザー

2017/06/02 10:47

うおお..できました... ありがとうございます! LinkExtractorってパラメータ(allowとかdeny)を使わない書き方もあるのですね。 このような使い方ってチュートリアル(http://scrapy-ja.readthedocs.io/ja/latest/topics/link-extractors.html#scrapy.linkextractors.lxmlhtml.LxmlLinkExtractor)にも載っていない様に思うのですが、今後も使ってみたいので仕組みを教えてもらえないでしょうか。
tell_k

2017/06/03 00:23

そのドキュメントに書いてありますね。第一引数のallowをリストではなく正規表現の文字列で指定してるだけです。 > allow (正規表現(またはそのリスト)) – リンクを抽出するために(絶対)URLが一致しなければならない単一の正規表現(または正規表現のリスト). 指定されていない(または空)場合, すべてのリンクに一致します.
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

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
85.50%

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