質問編集履歴

1 変更

RarigoB

RarigoB score 24

2018/04/19 18:18  投稿

Scrapyでうまくリンクが辿れない
分からないこと
scrapyでクローリングしたいサイトのページャーなどのリンクが辿れていないぽい。
scrapyでクローリングしたいときに
RuleとLinkExtractorを使用し、ページを辿りたいのですが、
表示されているページャーの番号のリンクを辿ってしまいます。
次へのリンクをたどるにはどうすればいいでしょうか?
実現したいこと
正常にクロールしたい
状況
http://777.slopachi-station.com/report_schedule/
上記のサイトの取材スケジュールを取得するスパイダーを作成しようとしたのですが、リンクがうまく辿れていないみたいです。
上記のページからページャをたどり、各ページに記載されてる店舗ページにアクセスし、情報を取得しようと考えています。
```Python3
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
from slotcrawler.items import Shop_data
class SlotSpider(CrawlSpider):
   name = 'slot'
   allowed_domains = ["777.slopachi-station.com"]
   start_urls = (
   'http://777.slopachi-station.com/report_schedule/',
   )
   rules = [
   Rule(LinkExtractor(allow=r'/report_schedule/page/\d+/')),
   Rule(LinkExtractor(allow=r'/shop_data/\d+/'),
   follow=True,
   callback='parse_hall'),
   ]
   def parse_hall(self, response):
       item=Shop_data(
       name=response.xpath('//*[@id="shopDetail"]/div[1]/h2/text()').extract_first(),
       scedule=response.xpath('//*[@id="report_schedule"]/div[@class="resultRow resultRow-tile"]/text()').extract(),
       add1=response.xpath('//*[@id="breadcrumb"]/a[2]/text()').extract_first(),
       add2=response.xpath('//*[@id="breadcrumb"]/a[3]/text()').extract_first(),
       )
       yield item
```
```items.py
import scrapy
class Shop_data(scrapy.Item):
   name = scrapy.Field
   scedule = scrapy.Field
   add1 = scrapy.Field
   add2 = scrapy.Field
```
seting.pyはダウンロード間隔を追加しました。
```terminal
2018-04-15 22:24:53 [scrapy.utils.log] INFO: Scrapy 1.5.0 started (bot: slotcrawler)
2018-04-15 22:24:53 [scrapy.utils.log] INFO: Versions: lxml 3.5.0.0, libxml2 2.9.3, cssselect 1.0.1, parsel 1.3.1, w3lib 1.18.0, Twisted 17.9.0, Python 3.5.2 (default, Nov 23 2017, 16:37:01) - [GCC 5.4.0 20160609], pyOpenSSL 17.5.0 (OpenSSL 1.1.0g 2 Nov 2017), cryptography 2.1.4, Platform Linux-4.4.0-119-generic-x86_64-with-Ubuntu-16.04-xenial
2018-04-15 22:24:53 [scrapy.crawler] INFO: Overridden settings: {'ROBOTSTXT_OBEY': True, 'SPIDER_MODULES': ['slotcrawler.spiders'], 'NEWSPIDER_MODULE': 'slotcrawler.spiders', 'FEED_FORMAT': 'jl', 'FEED_URI': 'hall.jl', 'DOWNLOAD_DELAY': 1, 'BOT_NAME': 'slotcrawler'}
2018-04-15 22:24:53 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats',
'scrapy.extensions.memusage.MemoryUsage',
'scrapy.extensions.logstats.LogStats',
'scrapy.extensions.feedexport.FeedExporter',
'scrapy.extensions.telnet.TelnetConsole']
2018-04-15 22:24:53 [scrapy.middleware] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware',
'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
'scrapy.downloadermiddlewares.retry.RetryMiddleware',
'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
'scrapy.downloadermiddlewares.stats.DownloaderStats']
2018-04-15 22:24:53 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
'scrapy.spidermiddlewares.referer.RefererMiddleware',
'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
'scrapy.spidermiddlewares.depth.DepthMiddleware']
2018-04-15 22:24:53 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2018-04-15 22:24:53 [scrapy.core.engine] INFO: Spider opened
2018-04-15 22:24:53 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2018-04-15 22:24:53 [scrapy.extensions.telnet] DEBUG: Telnet console listening on *************
2018-04-15 22:24:53 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://777.slopachi-station.com/robots.txt> (referer: None)
2018-04-15 22:24:54 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://777.slopachi-station.com/report_schedule/> (referer: None)
2018-04-15 22:24:55 [scrapy.core.engine] INFO: Closing spider (finished)
2018-04-15 22:24:55 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'downloader/request_bytes': 534,
'downloader/request_count': 2,
'downloader/request_method_count/GET': 2,
'downloader/response_bytes': 11277,
'downloader/response_count': 2,
'downloader/response_status_count/200': 2,
'finish_reason': 'finished',
'finish_time': datetime.datetime(2018, 4, 15, 13, 24, 55, 9470),
'log_count/DEBUG': 3,
'log_count/INFO': 7,
'memusage/max': 54620160,
'memusage/startup': 54620160,
'response_received_count': 2,
'scheduler/dequeued': 1,
'scheduler/dequeued/memory': 1,
'scheduler/enqueued': 1,
'scheduler/enqueued/memory': 1,
'start_time': datetime.datetime(2018, 4, 15, 13, 24, 53, 523839)}
2018-04-15 22:24:55 [scrapy.core.engine] INFO: Spider closed (finished)
```
このような感じでそもそもページャーも詳細ページもたどれてないみたいです。
解決策を教えてください。
  • Python 3.x

    12000 questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

  • Scrapy

    129 questions

    Scrapyは、Pythonで開発されたオープンソースソフトウェアです。スクレイピングという、Webサービスから必要な情報を取り出したり自動操作をしたりする技術を使うものです。

思考するエンジニアのためのQ&Aサイト「teratail」について詳しく知る