【PHP】【Curl】【https】スクレイピング時のタイムアウトの解決方法【SSL通信】【初心者】
解決済
回答 2
投稿
- 評価
- クリップ 2
- VIEW 2,682
現在、PHPの勉強としてスクレピングを行うサイトを作成しています。
urlが「http://」のサイトに関しましては
ローカル開発環境・本番環境(さくらVPS)の両方で無事にスクレピングに成功しまして
サイトも完成する事が出来ました。
ただurlが「https://」のサイトにてエラーが発生する事がありました。
ローカル開発環境(vagrant)では成功しているのですが、
本番環境(さくらVPS)ではエラーが発生しています。
なぜ、ローカル開発環境では成功して、
本番環境では失敗するのかの原因がわからず、困っています。
エラー内容
bool(false)
以下がコードの内容です。
(PHPQUERYを使用しています。)
スクレイピングを行う前の、この段階で既にエラーが表示されています。
try {
$db = new \PDO(DSN, DB_USERNAME, DB_PASSWORD);
$db->setAttribute(\PDO::ATTR_ERRMODE, \PDO::ERRMODE_EXCEPTION);
echo "データベースへの接続が出来ました。<br />";
}catch (\PDOException $e) {
echo $e->getMessage();
exit;
}
require_once(__DIR__ . '/phpQuery-onefile.php');
$html = "https://www.pixiv.net/ranking.php?mode=daily&content=illust";
// var_dump($html);
//cURLセッションを初期化する
$ch = curl_init();
// URLとオプションを指定する
curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, false);
curl_setopt($ch, CURLOPT_URL, $html);
curl_setopt($ch, CURLOPT_HEADER, false );
curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
curl_setopt($ch, CURLOPT_TIMEOUT, 10);
//URLの情報を取得する
$html = curl_exec($ch);
//ここでもうエラーの:bool(false)が表示されます。
var_dump($html);
// cURLがエラーを発生した時にエラー内容を表示します。
//ここでエラーが表示されます。
$response = curl_exec($ch);
if( $response === FALSE )
{
// エラー文字列を出力する
echo curl_error( $ch );
}
$doc = phpQuery::newDocument(mb_convert_encoding($html, 'HTML-ENTITIES', 'UTF-8'));
//ループ回数指定
$i = 0;
foreach ($doc[".取得したい範囲のクラス名"] as $entry){
//2回でループを終了
if ($i >= 2 ) {
break;
}else {
$i++;
}
タイトル表示
画像表示
}
//セッションを終了する
curl_close($ch);
勉強用なのでループを2回行うのを
crontab で1時間毎に1回行っているのですが、エラーが表示されてしまいます。
(ランキングの1位・2位だけを表示するといったプログラムです。)
画像を自動的にダウンロードするといった収集活動等も行っていません。
スクレイピングを行う前の、この段階で既にエラーが表示されています。
//URLの情報を取得する
$html = curl_exec($ch);
//ここでもうエラーの:bool(false)が表示されます。
var_dump($html);
実行結果
データベースへの接続が出来ました。
bool(false) Failed to connect to www.pixiv.net port 443: Connection timed out
ローカル開発環境ではエラーも表示されずに成功しています。
また、同じ「https:」でも
「https://www.youtube.com/」
「https://teratail.com/」
「https://matome.naver.jp/keyword/」だと
//URLの情報を取得する
$html = curl_exec($ch);
//ここでもうエラーの:bool(false)が表示されます。
var_dump($html);
の段階でのエラーは発生せず、サイトの情報が表示されました。
もしかしたら「https:」は関係なく
「https://www.pixiv.net/」側で禁止しているのかとも思ったのですが
下記のサイトにてスクレイピングが成功しているようなのです。
http://yaamaa-memo.hatenablog.com/entry/2017/07/24/020144
http://www.mathgram.xyz/entry/scraping/pixiv
また、私のローカル開発環境でも成功しているので、
何か別に問題があるのかもと思いネットで色々調べてみた結果、
SSLVersionがOpenSSL ではないとエラーが発生するという風な記事を見つけ、
SSL VersionをOpenSSL/1.0.1eに設定してみたのですがエラーが治りませんでした。
また、iptablesの設定はこのようになっています。
Chain INPUT (policy DROP)
target prot opt source destination
ACCEPT all -- anywhere anywhere
ACCEPT icmp -- anywhere anywhere icmp echo-request limit: avg 1/sec burst 4
ACCEPT tcp -- anywhere anywhere state RELATED,ESTABLISHED
SERVICES tcp -- anywhere anywhere state NEW
ACCEPT udp -- anywhere anywhere udp spt:domain
ACCEPT udp -- anywhere anywhere udp spt:ntp dpt:ntp
Chain FORWARD (policy DROP)
target prot opt source destination
Chain OUTPUT (policy ACCEPT)
target prot opt source destination
Chain SERVICES (1 references)
target prot opt source destination
ACCEPT tcp -- anywhere anywhere tcp dpt:設定しているport番号
ACCEPT tcp -- anywhere anywhere tcp dpt:http
ACCEPT tcp -- anywhere anywhere tcp dpt:https
会員登録が必要なページでもなく
他のhttps://サイトだと問題なく情報が表示され、
ローカル開発環境でも問題なく情報が表示されておりまして
さくらVPSのサーバーのみでエラーが発生しているという状況です。
色々とネットで調べてみましたが、原因が解決できず困っています。
解決する方法をご存知の方や、何か気になる点がありましたら
お力をお貸し頂けると嬉しいです。
どうかお願いします。
参考にしたURL
[PHP]CurlでのSSL接続をOpenSSL方式に変更する
http://kayakuguri.github.io/blog/2016/07/07/curl-openssl-tls/
さくらVPSのサーバーの情報です。
centos6.8
php5.6
-
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
- 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
checkベストアンサー
+1
pixiv側でIPレベルでブロックしているのではと思います。
私が持っている、さくらVPSのサーバー上からwgetコマンドでpixivのトップページにアクセスしてみましたが、かなり前に借りたサーバーではアクセスできませんでした。(ちなみに最近借りたサーバーではアクセスできた)
過去にpixivにクロールなどは行ったことはないので、ブロックされるいわれはありません。
おそらくさくらのIPで範囲指定でブロックされているのではないでしょうか?
サクラに限らず、VPSで不正アクセスを試みる輩が多いので、範囲でブロックされることは結構あるかと思われます。
たしか、2週間無料だったとおもうので、試しにサーバーを借りなおしてみる(IPを変える)というのも方法かもしれません。
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。
+1
質問に書くには、長過ぎるので、回答で...
スクレイピングの可否は置いておくとして、プログラムをざっくり見た感じでは、動作上の大きな問題はなさそうです。
エラーメッセージが、
Failed to connect to www.pixiv.net port 443: Connection timed out
と 接続タイムアウトのようですが、 さくらの VPS から pixiv への到達は可能でしょうか?
たとえば、VPS にログインして、
wget --spider https://www.pixiv.net/
で、以下のように「Connecting to www.pixiv.net|210.129.120.43|:443... connected.」や「HTTP request sent, awaiting response... 200 OK」の結果は、返ってくるでしょうか? (IP アドレスは違うかもしれません)
$ wget --spider https://www.pixiv.net/
Spider mode enabled. Check if remote file exists.
--2017-09-09 15:52:01-- https://www.pixiv.net/
Resolving www.pixiv.net... 210.129.120.43, 210.129.120.41, 210.129.120.44
Connecting to www.pixiv.net|210.129.120.43|:443... connected.
HTTP request sent, awaiting response... 200 OK
Length: unspecified [text/html]
Remote file exists and could contain further links,
but recursion is disabled -- not retrieving.
また、
ping www.pixiv.net
で、以下のようなレスポンスはあるでしょうか? (IP アドレスは違うかもしれません)
$ ping www.pixiv.net
PING pixiv.net (210.129.120.43): 56 data bytes
64 bytes from 210.129.120.43: icmp_seq=0 ttl=54 time=8.672 ms
64 bytes from 210.129.120.43: icmp_seq=1 ttl=54 time=21.701 ms
もし、レスポンスが返ってこないようであれば、プログラムの問題ではなく、インターネット上の経路情報がおかしいかもしれませんので、さくらインターネットのサポート窓口に問い合わせるのが良いと思います。
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 89.99%
- 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
2017/09/09 22:14