Download as PDF, PPTX
![• HTML/XMLの構文解析器（パーサー）
• ほぼデファクトスタンダード
• XPath or CSSセレクタで、HTML中の要素を選択
• UTF-8以外の文字コードを扱う場合は注意
require 'nokogiri'
require 'open-uri'
!
doc = Nokogiri.HTML(open("http://nokogiri.org/"))
doc.css('a').each do |element|
puts element[:href]
end
参照：Ruby製の構文解析ツール、Nokogiriの使い方 with Xpath
http://blog.takuros.net/entry/2014/04/15/070434](https://image.slidesharecdn.com/rubycrawler-140725235355-phpapp01/85/Ruby-Ruby-crawler-22-320.jpg)
![cosmicrawler
• 並列処理を得意とするクローラー
• 並列処理の実装は、EventMachine
• EventMachineの面倒くさい処理を隠蔽してくれる
require 'cosmicrawler'
!
Cosmicrawler.http_crawl(%w(http://b.hatena.ne.jp/hotentry/it http://
b.hatena.ne.jp/hotentry/life)) {|request|
get = request.get
response = get.response if get.response_header.status == 200
doc = Nokogiri::HTML(response)
doc.xpath("//a").each do |element|
参照：複数並行可能なRubyのクローラー、「cosmicrawler」を試してみた
http://blog.takuros.net/entry/20140103/1388701372
puts element[:href]
end
!
}](https://image.slidesharecdn.com/rubycrawler-140725235355-phpapp01/85/Ruby-Ruby-crawler-25-320.jpg)
More Related Content
Rubyで作るクローラー Ruby crawler
- 1. 第62回 Ruby/Rails勉強会@関西 ! Rubyで作る クローラー ２０１4年7月26日 @dkfj 佐々木拓郎
- 2.
- 3.
- 4.
- 5. ✦ プロフィール ‣Webシステムを得意とするSIerで勤務 ‣ 最近の仕事はAWS事業の推進・インフラチームのマネジメント ‣ Webスクレイピングして、データマイニングするのが趣味 ★ ソーシャル・ネットワーク ‣ blog: http://blog.takuros.net/ ‣ twitter: @dkfj ‣ Facebook: takuro.sasaki ‣ SlideShare: http://www.slideshare.net/takurosasaki/ ‣ http://www.justyo.co/TAKUROS/ @dkfj 自己紹介： 佐々木拓郎
- 6.
- 7. 私とRuby ✦ 正直、初中級者レベル ‣ 2006年くらいから、個人的に使いはじめる ‣ 2009～10年くらいに業務でRuby On Railsなどを導入 ‣ 以降、自分のチームではRailsを標準に （でも、自分では余りソース書かず） ‣ AWSのAPI利用で、もっぱら利用 ‣ 2012～13年くらいにChef, Capistrano関係で再勉強
- 8. 宣伝！！ そんな私ですが、 Rubyのクローラー本を書きました。 8月頃に発売予定です。しました。 Rubyによるクローラー開発技法 巡回・解析機能の実装と21の運用例 http://amzn.to/1lsJ5id
- 9.
- 10. クローラ（Crawler）とは、ウェブ上の文書や画像などを周期 的に取得し、自動的にデータベース化するプログラムである。 「ボット（Bot）」、「スパイダー」、「ロボット」などとも呼 ばれる。 主に検索エンジンのデータベース、インデックス作成に用いら れているほか、統計調査などの目的にも利用される。近年では電 子メールアドレス収集業者などもクローラを利用して、スパムの 送信効率を上げている。 ウィキペディアより
- 11. と言われても、 よく解らないのでデモ ! Amazonから新刊情報を取得
- 16.
- 17. クローラー • Webを巡回するプログラムの総称 • ボット、スパイダー、ロボットなど様々な呼ばれ方がある • 巡回戦略を練るのが一番の仕事 • スクレイピングやストレージの機能を持つことが多い
- 18. スクレイピング • 取得したHTMLなどから、データを抜き出すこと • 例えば、HTML中のAタグのリンク先を全て取得する • 正規表現派と構文解析派が存在する
- 19. Rubyでクローラー作成 • Open-URI • Nokogiri • Anemone • Capybara+Selenium • cosmiccrawler • CocProxy
- 20. Rubyでクローラー作成 • Open-URI • Nokogiri • Anemone • Capybara+Selenium • cosmiccrawler • CocProxy 基本的なライブラリ クローラー フレームワーク 補助的なライブラリ
- 21. Open-URI • http/ftpに簡単にアクセスするためのライブラリ • Kernel#openを再定義 • ファイルのopenと同様に、URLを扱える require 'open-uri' open("http://www.ruby-lang.org/") {|f| f.each_line {|line| p line} }
- 22. • HTML/XMLの構文解析器（パーサー） •ほぼデファクトスタンダード • XPath or CSSセレクタで、HTML中の要素を選択 • UTF-8以外の文字コードを扱う場合は注意 require 'nokogiri' require 'open-uri' ! doc = Nokogiri.HTML(open("http://nokogiri.org/")) doc.css('a').each do |element| puts element[:href] end 参照：Ruby製の構文解析ツール、Nokogiriの使い方 with Xpath http://blog.takuros.net/entry/2014/04/15/070434
- 23. • Ruby製のクローラーフレームワーク •データ収集／解析／保存の全ての機能がある • 2年ほどメンテナンスされていない • ScrapyのあるPythonがうらやましい今日この頃 require 'anemone' ! Anemone.crawl("http://www.hatena.ne.jp/") do |anemone| anemone.on_every_page do |page| puts page.url puts page.doc.xpath("//head/title/text()").first.to_s if page.doc end end Anemone 参照：オープンソースのRubyのWebクローラー"Anemone"を使ってみる http://blog.takuros.net/entry/20110204/1296781291
- 24. Capybara+Selenium • 基本的には、UIテストツール • ブラウザを使うので、JavaScriptにも対応可能 • スクレイピング部分は、Nokogiriを利用 • CapybaraをラッパーしたMasqueというクローラー • ブラウザ代わりに、PhantomJSを使うのもあり 参照：JavaScriptにも対応出来るruby製のクローラー、Masqueを試してみる http://blog.takuros.net/entry/20131223/1387814711 参照：Capybara-DSLのはなし http://blog.takuros.net/entry/20140322/1395464375
- 25. cosmicrawler • 並列処理を得意とするクローラー • 並列処理の実装は、EventMachine • EventMachineの面倒くさい処理を隠蔽してくれる require 'cosmicrawler' ! Cosmicrawler.http_crawl(%w(http://b.hatena.ne.jp/hotentry/it http:// b.hatena.ne.jp/hotentry/life)) {|request| get = request.get response = get.response if get.response_header.status == 200 doc = Nokogiri::HTML(response) doc.xpath("//a").each do |element| 参照：複数並行可能なRubyのクローラー、「cosmicrawler」を試してみた http://blog.takuros.net/entry/20140103/1388701372 puts element[:href] end ! }
- 26. CocProxy • ほぼピュアRubyで実装されたプロキシサーバ • 開発用途で、クローラー作成時に便利 • 訪問済みのサイトをキャッシュしてくれる • 訪問先サイトに無駄に負荷を掛けずに試行錯誤できる 参照：開発用プロキシ、「CocProxy」が便利 http://blog.takuros.net/entry/2014/05/05/120747
- 27.
- 28. • 株価や為替の取得 •ニュース記事の取得 • ブログ記事の取得 • 書誌情報の取得 定番
- 29. iTunesStoreのランキング • iTunesStoreのランキングの実体はHTML+JSON • UserAgentを”iTunes”にすればスクレイピング可能 • 国ごとのコードをX-Apple-Store-Frontで指定 • カテゴリIDとランキング種別は、引数で指定 参照：iTunesのランキングを毎日自動で取得する その１ http://blog.takuros.net/entry/20120521/1337549653
- 30. APIの活用 • クローラーの目的は、データの収集 • APIが提供されているのであれば、そちらが効率的 • ただし、APIは制約が多いのも事実 !
- 31. Google Maps APIの活用 • 1IP辺り1日2,500回のリクエスト制限 • 郵便番号（12万件）を、経度緯度に変換したい • 120,000件/2,500回 ⇒ 48日 • AWSを利用して50台のサーバを使い1時間で完了 ! AWSでスポットインスタンスの活用 $0.0031×50台≒約16円
- 33. Twitter Streaming API • 全Tweetのうち、数%だけに絞って提供されている • それでも1日100万件近い分量 • 日本語のみ取り出すことも可能 ! 参照：Rubyのtwitterライブラリで、Twitter Streaming APIが扱えるようになっていた http://blog.takuros.net/entry/2014/05/19/002326
- 36. 引越にも • 6月中旬に、突然の異動の辞令 • 7月から東京勤務 • 相場観がないので、賃貸サイトをスクレイピング • 数十万件のデータから、駅ごとの㎡辺り単価の算出 ! GeoFUSEで視覚化しようとしたが 時間がなくて断念
- 37.