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

91.01%

  • Ruby

    6374questions

    Rubyはプログラミング言語のひとつで、オープンソース、オブジェクト指向のプログラミング開発に対応しています。

Rubyで作るクローラーについて2

解決済

回答 2

投稿

  • 評価
  • クリップ 0
  • VIEW 421

abcdtaichi

score 7

昨日も質問して連続するのは避けたかったのですが、昨日の夜からやっていて全然解決しなかったので質問します。
僕はRubyで「キーワードを入力したら、Googleの検索結果上位10サイトの記事タイトルと見出しをテキストで出力できる」というツールを作ろうと思っています。

今できているソースコードが以下です。

require 'anemone'
require 'nokogiri'
require 'kconv'
require 'URI'

#キーワード入力からグーグルの検索URLまで
puts "キーワードを入力してください"
keyword = gets.chomp
word = URI.encode("https://www.google.co.jp/search?q=#{keyword}")

#巡回対象サイトのURLを指定する場所
Anemone.crawl(word, :delay => 3, :depth_limit => 0) do |anemone|

#すべてのページに対しての処理
anemone.on_every_page do |page|

#文字化けさせない
    encoded_page = Nokogiri::HTML.parse(page.body.toutf8)

#抽出するタグを指定する場所(//h3だとタイトルを貰えるみたい)
    encoded_page.xpath("//h3").each do |title|

#出力する場所
      puts "タイトル:#{title.text}"

  end
  end
end

一応これでキーワードを入力すると、上位10サイトの記事タイトルを出力してくれるようになりました。
ここからそれぞれのサイトの見出し(Hタグ)を出力させようとしたのですが、できませんでした。

教えていただきたいのは以下の2つです。

・anemoneの階層を「0」から「1」にしたときに出てくる上位サイト以外のもの(Google画像検索など)を排除するコード
・1件の検索結果ごとにタイトルと見出しを出力させるコード

一部でもいいのでわかる部分があったら、アドバイスいただけると幸いです。
よろしくお願いいたします。

  • 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

    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

  • 退会済みユーザー

    2017/09/14 08:04

    複数のユーザーから「やってほしいことだけを記載した丸投げの質問」という意見がありました
    「質問を編集する」ボタンから編集を行い、調査したこと・試したことを記入していただくと、回答が得られやすくなります。

回答 2

checkベストアンサー

+4

取得方法以前の問題となりますが、Googleの検索結果をスクレイピングすることはGoogle側で利用規約違反とみなされるので、途中でエラーとなります。

本サービスを不正に利用しないでください。たとえば、本サービスの妨害や、Google が提供するインターフェースおよび手順以外の方法による本サービスへのアクセスを試みてはなりません。(利用規約より)

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。

  • 2017/09/14 15:37

    maisumakun様

    アドバイスと参考リンクありがとうございます。
    ただいくつか疑問に残ることがあるので、再度質問させてください。

    >Googleの検索結果をスクレイピングすることはGoogle側で利用規約違反とみなされる

    とありますが、「Googleが検索結果をスクレイピングすることを利用規約違反」と具体的に明示している文章はあるでしょうか?またGoogleの検索結果をスクレイピングをして利用規約違反として、サービスの停止などがされた例はありますか?

    というのも「検索順位チェックツール」や「キーワードツール」、「SEOツール」、「被リンクチェックツール」などGoogleの検索エンジンを一般利用とは別の形で利用しているツールは多くあります。もちろん、これらの中には過去Googleが攻撃とみなすような過剰な利用をしてサービス停止にされたツールがあるかもしれません。

    しかし逆に言えば、「個人レベルの規模で私的利用に留まるツールについてはGoogleが許容範囲としている」とも考えられます。

    僕は数千数万サイトと情報を抜き取って、Googleに攻撃や妨害をするつもりはありませんし、収集した情報についてもあくまで私的利用が目的です。これでGoogleの利用規約違反となって、サービス停止となるものなのでしょうか?

    少し棘っぽい文章になってしまいましたが、決して責めたり言い争いをしたりしたいわけではありません。純粋に知識としてほしいだけなので、勘違いをさせてしまったら申し訳ないです。

    それではよろしくお願いいたします。

    キャンセル

  • 2017/09/14 16:01

    自己中心的な人ですね。。。
    使用するならルールを守る。ルールが守れないなら利用しない。
    社会の基本です。

    規約に従えない使い方がしたい場合、個別に利用規約(または契約)を締結するのが、正常な社会です。

    キャンセル

  • 2017/09/14 16:11

    te2ji様

    勘違いをされているようですが、もしGoogleが検索結果のスクレイピングを完全な規約違反としているなら僕はそれに従ってルールを守るつもりでいます。

    でもGoogleは完全に黒だと言っていないように思えますが、どうなんでしょうか?ってことです。

    キャンセル

  • 2017/09/14 16:15

    > Google が提供するインターフェースおよび手順以外の方法による本サービスへのアクセスを試みてはなりません。

    違反です。

    キャンセル

  • 2017/09/14 16:33

    明文を見つけました(https://support.google.com/webmasters/answer/66357)。

    「Google の利用規約では、どのような種類かに関わらず、自動化されたクエリを Google から明示的な許可を事前に得ずに Google のシステムに送信することは禁止されています。」

    キャンセル

  • 2017/09/14 16:52

    maisumakun様

    明文ありがとうございます。
    Googleにクローラー出すこと自体すでに規約違反なんですね・・・。

    今まで「検索順位チェックツール」や「googleのサジェストキーワードを出力してくれるツール」などをかなり利用していたので半信半疑でしたが、納得がいきました。
    具体的な明文まで見つけていただいてありがとうございます。

    キャンセル

-8

Web上で公開するものをスクレイピングすることが違反になるとは思えませんが・・・
ましてや途中でエラーになるなんてことはないです、どうやって普通のブラウザによるアクセスとbotによるアクセスを区別するのでしょうか?user-Agentは簡単に偽装できます。

公開されているサイトをスクレイピング自体が問題になることはまずありません、
robot.txtの記述に従う、サーバーに高負荷をかけないように一定間隔を空けるようにするなどを守れば大丈夫でしょう

細かいことを恐れていたらどんなことにも挑戦できなくなります。
本題と外れてしまいましたが

encoded_page.xpath("//h3")

ここを工夫すればいけますよ。
xpathは複雑なことができますので、nokogiriの解説サイトはたくさんあるのでそちらで勉強するといいでしょう

参考サイト

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。

  • 2017/09/14 07:48

    人間が検索していても、あまりに大量に検索していると「私はロボットではありません」のチェックを求められた、という事例もあるとのことです。

    キャンセル

  • 2017/09/14 08:07

    同じIPから大量にアクセスがあれば遮断したりは当然でしょう。
    それはGoogleに限らずどんなサイトでも同じですよ。

    キャンセル

  • 2017/09/14 08:18

    たしかにGoogleの場合は自明ではないのですが、Instagramなど明文でスクレイピングを禁止している利用規約を持つサイトも、ちょくちょく見かけます。

    「Web上で公開するものをスクレイピングすることが違反になるとは思えません」と言うのは、甘い認識です。

    キャンセル

  • 2017/09/14 08:33

    > 「Web上で公開するものをスクレイピングすることが違反になるとは思えません」と言うのは、甘い認識です。

    甘いというか、間違った認識ですね。

    > 細かいことを恐れていたらどんなことにも挑戦できなくなります。

    利用規約はサイト利用の根幹なので、細かいことではありません。
    契約として扱われるので、最大限の注意が必要です。

    キャンセル

  • 2017/09/14 08:34

    禁止するのは勝手ですが、スクレイピングと人間によるアクセスの区別なんかできませんよ。
    人間がブラウザでページを開いて画像をクリップすることも禁止されているのですか?

    もし違反で逮捕されたとして、スクレイピングじゃなくて全部手動で画像を取ってきて保存したと強弁したらどうなるのか大変興味があります。

    キャンセル

  • 2017/09/14 08:35

    じゃあGoogleは犯罪集団ですね。異論はないです。

    Googleは利用規約をいちいち読んでるんですね?失笑

    キャンセル

  • 2017/09/14 08:37

    Googleは違法なサイト
    http://gihyo.jp/design/serial/01/service-copyright/0001

    キャンセル

  • 2017/09/14 08:44

    すいません、勉強不足でした。

    キャンセル

  • 2017/09/14 15:44

    mtdsnsk様

    ご回答ありがとうございます。

    >robot.txtの記述に従う、サーバーに高負荷をかけないように一定間隔を空けるようにするなどを守れば大丈夫でしょう

    はい。この辺りはしっかりと配慮しようと思います。

    >xpathは複雑なことができますので、nokogiriの解説サイトはたくさんあるのでそちらで勉強するといいでしょう

    xpathやnokogiriの情報ありがとうございます。
    もっと調べてみようと思います。

    ちなみにアドバイスをいただいたコードは工夫をすると、2つとも解決できますかね?

    キャンセル

  • 2017/09/14 18:03

    https://teratail.com/questions/44635
    こちらの質問みたいに、1000回も閲覧されて注意が1つもつかない場合があるので
    気にしなくて大丈夫ですよ。
    この場合はサイトの利用規約の第17条(その他の禁止事項)の(12)
    (12)他者の設備またはサービス用設備(当社がサービスを提供するために用意する通信設備、電子計算機、その他の機器およびソフトウェアをいい、以下同様とします。)に無権限でアクセスし、またはその利用もしくは運営に支障を与える行為(与えるおそれのある行為を含む)。
    にクローラがあたる可能性がありますが誰も注意をしていません。

    複雑なことがしたい場合はapiを使うことになるかも。
    Google Custom Search API を使ってみる(http://qiita.com/megu_ma/items/8cad39f61e35588e5476)

    まぁteratailでクローラのことは質問しないほうが良いでしょう。
    capybara、selenium、Watir、mechanize + rubyで検索したら
    参考になるサイトがある程度見つかるかも。

    キャンセル

  • 2017/09/14 18:24

    アドバイスありがとうございます!
    確かにグレーな感じなので、納得です。
    GoogleのAPIは気になっていたので、試してみようと思います。

    >まぁteratailでクローラのことは質問しないほうが良いでしょう。

    これは間違いないですね。
    クローラーを使いたくてプログラミングを始めましたが、いきなり地雷を踏んだ感じがします(笑)

    capybara、selenium、Watirは初耳だったので、調べて勉強してみます。
    本当にありがとうございました。

    キャンセル

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 91.01%
  • 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

  • Ruby

    6374questions

    Rubyはプログラミング言語のひとつで、オープンソース、オブジェクト指向のプログラミング開発に対応しています。