🌊

Webサイトでスクレイピングが禁止されているかどうか確認する方法

2024/08/20に公開

Python

スクレイピング

規約確認

tech

こちらの記事でスクレイピングの概要を記述しました。
実際にスクレイピングの禁止チェックをする方法があります。
今回は、プログラムでチェックする方法を紹介します。

ソースコード

sample.py

import requests

def check_robots_txt(url):
    robots_url = url.rstrip('/') + '/robots.txt'
    try:
        response = requests.get(robots_url)
        if response.status_code == 200:
            print(f"robots.txt for {url}:")
            print(response.text)
            if 'Disallow' in response.text:
                print("Disallowed paths found in robots.txt")
            else:
                print("No disallowed paths found in robots.txt")
        else:
            print(f"No robots.txt file found at {robots_url}")
    except requests.RequestException as e:
        print(f"Error fetching robots.txt: {e}")

# 使用例
check_robots_txt('https://example.com')  # ここに対象のサイトURLを挿入

解説

import requests

requestsというPythonライブラリをインポートしています。
これにより、PythonからWebサイトに情報を問い合わせたり、Webサイトからデータを収集したりすることができます。

スクレイピング以外でも、例えば天気サイトから天気の情報を集めたり、飲食店の口コミサイトからレビューを集めたりする際にもrequestsが役立ちます。

def check_robots_txt(url):

仮引数の(url)に、実際のURLを挿入することで、対象サイトをチェックします、

robots_url = url.rstrip('/') + '/robots.txt'

rstrip('')は、末尾の文字列を削除するメソッド。最後の/を削除し、/robots.txtを追加することでhttps://example.com/robots.txtなど、対象サイトの/robots.txtにアクセスできる。
この処理を変数robots_urlに代入。

try:
 # 処理
except
 # 処理

エラーハンドリング処理。try:ブロック内ででエラーが出てきた場合の処理を、exceptブロックで記述する。

response = requests.get(robots_url)

robots_url内で描画されている情報を、レスポンスとして取得。

if response.status_code == 200:{
  print(f"robots.txt for {url}:")
  print(response.text)
  #処理
}
  else:
      print(f"No robots.txt file found at {robots_url}")

レスポンスのステータスコードが200番台（レスポンス成功）なら、

robots.txtのURL
そのURL内で表示されている内容
をテキストとして出力

そうでない場合、
"No robots.txt file found at robots_url"を出力

if 'Disallow' in response.text:
                print("Disallowed paths found in robots.txt")
            else:
                print("No disallowed paths found in robots.txt")
        else:

レスポンスのテキストの中でDisallowが表示されていれば、"Disallowed paths found in robots.txt"と出力。
そうでなければ
No disallowed paths found in robots.txtと出力。

except requests.RequestException as e:
        print(f"Error fetching robots.txt: {e}")

requests.RequestExceptionは例外クラスで、エラーをキャッチするための処理です。as eと書くことで、発生したエラー詳細を変数eに格納します。

また、fとは、f文字列（フォーマット済み文字列）と呼ばれるPythonの機能です。

f"..."の形式を使うと、文字列の中に直接変数の値を埋め込むことができます。
{url}の部分には、変数urlの値が挿入されます。例えば、urlがhttps://example.comの場合、f"robots.txt for {url}:"は"robots.txt for https://example.com:"という文字列に展開されます。

最後に

ありがとうございました！
ちなみに、このプログラムを実行しなくてもURLにhttps://example.com/robots_txtと挿入すれば、非エンジニアでもrobots_txtのページにアクセスできます（なんやそら！！）。

ただ、エンジニアを目指している方にとっては、requestsやエラーハンドリングの練習などで大いに役立ちますので、ぜひ試してみてくださいませ。

ーーーーーーーーーーーー
普段はフリーランスのDXプログラマー＆マークアップコーダーとして稼働しています！
現在、2社協業中！

GitHubで編集を提案

ソースコード

解説

最後に

Discussion