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

90.62%

  • Ruby

    7306questions

    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 on Rails

    6969questions

    Ruby on Railsは、オープンソースのWebアプリケーションフレームワークです。「同じことを繰り返さない」というRailsの基本理念のもと、他のフレームワークより少ないコードで簡単に開発できるよう設計されています。

  • Ruby on Rails 4

    2403questions

    Ruby on Rails4はRubyによって書かれたオープンソースのウェブフレームワークです。 Ruby on Railsは「設定より規約」の原則に従っており、効率的に作業を行うために再開発を行う必要をなくしてくれます。

  • スクレイピング

    305questions

ページを推移させスクレイピングする方法

受付中

回答 1

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 387

renren643

score 194

このサイトを参考に1ページ毎にページ推移し、そのページをスクレイピングして、ブラウザ上に表示させたいのですが、うまくいきません。

スクレイピング先の記事一覧は、
https://ameblo.jp/sunsuntaiyo/entrylist.html
https://ameblo.jp/sunsuntaiyo/entrylist−2.html
https://ameblo.jp/sunsuntaiyo/entrylist-3.html



と推移していくようです。

そこで、
1、unless文の中にあるcssで指定されているところはページネーションがemptyかどうかを確認している、という認識でいいでしょうか?
2、attribute('href')のあとにvalueをつける必要はあるのでしょうか?
3、全体としての原因と解決策
の3つを教えていただけたら幸いです。

コントローラー↓

def top
    require "open-uri"
    require "nokogiri"
        blog_id = ''
        url = "https://ameblo.jp/sunsuntaiyo/entrylist#{blog_id}.html"

loop do
        user_agent = 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/28.0.1500.63 Safari/537.36'
        charset = nil
        html = open(url, "User-Agent" => user_agent) do |f|
          charset = f.charset
          f.read
        end

        doc = Nokogiri::HTML.parse(html, nil, charset)

         @titles = []
         doc.css("#main > div.skin-blogArchive > div.skin-blogArchiveBody.skin-bgMain > ul > li > div > div:nth-child(2) > h2 > a").each do |row|
             @titles << row
         end

          unless doc.css('.skin-btnIndex').empty?
            url = doc.css('.skin-btnIndex').attribute('href').value
          else
            break
          end
  end

  end


view.html.erb↓

<% @titles.each do |title| %>
      <div>
           <a href="<%= title.attr('href') %>"><%= title.text %></a>
      </div>
<% end %> 
  • 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。

回答 1

0

blog_id = ''
url = "https://ameblo.jp/sunsuntaiyo/entrylist#{blog_id}.html"


は無駄があります。

url = "https://ameblo.jp/sunsuntaiyo/entrylist.html"


で十分です。

また

unless doc.css('.skin-btnIndex').empty?


はページの作り方を見ると、emptyになる可能性はほぼありません。無限ループに陥ります。

そして、doc.css('.skin-btnIndex')Nokogiri::XML::NodeSetというものが返り値になります。ほぼArrayと思って処理すればよいでしょう。デバッグの際はunless doc.css('.skin-btnIndex').empty?の直前にp doc.css('.skin-btnIndex')などとして、値を見ながらいわゆるプリントデバッグを使えばわかりやすいです。(慣れてくればデバッガを使えばよいですが、おそらくデバッガが使えるくらいになると、本件の問題はやすやすと解決できるようになってます)

あとはページの取得の仕方ですが、設計の方針によります。大まかに、次の2つの方法が考えられますので、頭の体操も含めて考えてみてください。

  1. 全てのページのurlを構成してからページを取得する
    (ヒント<a href="https://ameblo.jp/sunsuntaiyo/entrylist-646.html" data-uranus-component="paginationEnd" class="skin-paginationEnd skin-btnIndex js-paginationEnd"><span data-uranus-icon="end"></span></a>
  2. 1ページごとにページを取得してから遷移していく
ここからコメントに応じた追記

スクレイピングは、Rubyの問題より、HTML、CSS、Javascriptを読めるかどうかの方がウェイトが大きいです。

#!/usr/bin/env ruby
# -*- encoding:utf-8 -*-

require 'benchmark'
require "open-uri"
require "nokogiri"

def first
  url = "https://ameblo.jp/sunsuntaiyo/entrylist.html"
  user_agent = 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/28.0.1500.63 Safari/537.36'

  charset = nil
  html = open(url, "User-Agent" => user_agent) do |f|
    charset = f.charset
    f.read
  end
  doc = Nokogiri::HTML.parse(html, nil, charset)
  page_end = doc.css('.skin-paginationEnd').attribute("href").value.tr('^0-9', '').to_i

  @first = []
  1.upto(page_end) do |num|
    url = "https://ameblo.jp/sunsuntaiyo/entrylist-%d.html"%(num)
    charset = nil
    html = open(url, "User-Agent" => user_agent) do |f|
      charset = f.charset
      f.read
    end
    doc = Nokogiri::HTML.parse(html, nil, charset)
    doc.css("#main > div.skin-blogArchive > div.skin-blogArchiveBody.skin-bgMain > ul > li > div > div:nth-child(2) > h2 > a").each do |row|
      @first << row
    end
  end
end

def second
  url = "https://ameblo.jp/sunsuntaiyo/entrylist.html"
  user_agent = 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/28.0.1500.63 Safari/537.36'

  @second = []
  while url
    charset = nil
    html = open(url, "User-Agent" => user_agent) do |f|
      charset = f.charset
      f.read
    end
    doc = Nokogiri::HTML.parse(html, nil, charset)
    doc.css("#main > div.skin-blogArchive > div.skin-blogArchiveBody.skin-bgMain > ul > li > div > div:nth-child(2) > h2 > a").each do |row|
      @second << row
    end

    url = doc.css('.skin-paginationNext').first.attribute("href")
  end
end

Benchmark.bm 15 do |r|
  r.report "FIRST" do
    first
  end
  r.report "SECOND" do
    second
  end
end
p @first.size
p @second.size

投稿

編集

  • 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。

  • 2017/10/03 14:56

    すいません、変えました
    でも、そういったことも含めてあまり理解できていません。

    キャンセル

  • 2017/10/03 15:59

    「1ページごとにページを取得してから遷移していく」とは、繰り返し文を使って、1、2、3、・・・・と順にURLの部分に入れていくということですか?

    多分全くわかっていないです。

    「全てのページのurlを構成してからページを取得する」これに関してはどういうことかさっぱり分かりません。

    キャンセル

  • 2017/10/05 18:19 編集

    回答ありがとうございます。
    教えていただいたコードの
    「url = "https://ameblo.jp/sunsuntaiyo/entrylist-%d.html"%(num)」の%d,%num部分はどういうことでしょうか?

    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 90.62%
  • 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

  • 解決済

    rubyでdef化する方法について

    下記ブログを参考にスクレイピングの練習をしてみようと思うのですが、仮にこのコードの内容をメソッドにして実行する場合、defを使ってどのような書き方ができるでしょうか? 参考ブ

  • 受付中

    スクレイピングの文の削除

    前提・実現したいこと Rubyでスクレイピングを行なっていますが、Yahoo知恵袋 の質問文だけ抽出さたいのですが、他の文の削除方法をご教授願いたいです。 ちなみに短すぎる文

  • 解決済

    Nokogiri、anemone、open-uriを使って、指定したサイトをクロール、スクレイピング

    前提・実現したいこと Nokogiri、anemone、open-uriを使い、指定したウェブサイトをクローリング、スクレイピングして、画像リンクURLを取得し、そのURLから画

  • 解決済

    [Ruby]webスクレイピング

    webスクレイピングで、<span>の中身をとりだしたいんですが、上手く実行されません。 HTML内で求めるspanが何番目にあるか数えたり、検索機能で調べたり、コード内の変数

  • 解決済

    記事の一番先頭をスクレイピングしたい

    Rubyでyahooのトップページの記事一覧から一番先頭をスクレイピングをしたいのですが、このコードのどこが間違えているのでしょうか? ファイル名.rbを作成し、ruby ファ

  • 解決済

    スクレイピングできるサイトとできないサイトがある

    スクレイピングをできるサイトとできないサイトがあります。 例えばヤフーの記事一覧を取得するなら、 1、記事一覧の一番上の記事を検証し、css(xpath)を抜き出す 2、記事一覧の

  • 解決済

    each文が反映されない

    スクレイピングした結果をブラウザ上で表示したいのですが、each文がうまく指定できなく、一行しか帰って きません。タイトルをブラウザ上で全て表示するようにしたいのですがどうしたいい

  • 解決済

    ページネーションにしたがってスクレイピングした結果をビューで表示する

    ページネーションにそって次々スクレイピングしていきたいんですが、urlにeach文を回して数字順にリンクを変えていくという方法をとりました。 require "open-uri

同じタグがついた質問を見る

  • Ruby

    7306questions

    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 on Rails

    6969questions

    Ruby on Railsは、オープンソースのWebアプリケーションフレームワークです。「同じことを繰り返さない」というRailsの基本理念のもと、他のフレームワークより少ないコードで簡単に開発できるよう設計されています。

  • Ruby on Rails 4

    2403questions

    Ruby on Rails4はRubyによって書かれたオープンソースのウェブフレームワークです。 Ruby on Railsは「設定より規約」の原則に従っており、効率的に作業を行うために再開発を行う必要をなくしてくれます。

  • スクレイピング

    305questions