いかにしてメイドさん画像をダウンロードするか~NAVERまとめ編
動機
NAVERまとめを「メイド」検索すると約100のまとめがヒットします。 もちろんすべてが画像サイトというわけではありませんが ここに少なからぬ宝が埋蔵されているわけで、これを発掘したいと思ったわけです。
全体の構成
アプローチですが、DBに「巡回リスト」を用意してこの台帳に登録されているURLを順に巡回します。 それぞれの巡回先では画像を(もしあれば)取り込みながら、さらにそこからリンクされているURLを新たな巡回先として リストに登録します。
次のような流れになります。
まずMySQLデータベースとそのユーザーを用意しておきます。 そして「巡回番号」と「URL」の2つの列だけの簡単な表を用意し、 巡回の起点となるNAVERまとめサイトの「メイド」検索結果のページを巡回番号1として登録しておきます。
メインループではループカウンタを1から順に増やしながら、カウンタ値を巡回番号とするURLを巡回リストから読み取ります。 読み取ったURLを子プロセスに渡して親プロセスは次の周にまわります。
それぞれの子プロセスは対象URLにアクセスして、
- Aタグのリンク先を読み取り条件にあえば巡回リストに加えます。
- Aタグのリンク先がjpg画像であればダウンロード処理をします。
巡回リスト
まず初期処理で巡回リストを作成します。 もしも既に一度スクリプトを実施済みでリストが存在したらDROP TABLEで一度クリアしてしまいます。 巡回リストのテーブル名はオプションで変更できるようにしておきました。 コードを抜粋すると次のようなものです。
sub init_db { my $h = shift; my $sql = "DROP TABLE IF EXISTS ".$opt->get_table_name; my $sth = $h->prepare($sql); my $result = $sth->execute(); $sql = "CREATE TABLE ".$opt->get_table_name. "(id INTEGER AUTO_INCREMENT PRIMARY KEY,". "url VARCHAR(255),". "CONSTRAINT UNIQUE cu_test (url))"; $sth = $h->prepare($sql); $result = $sth->execute(); $sth->finish(); insert_db($h, $opt->get_target_url); }
列idはAUTO_INCREMENTを指定していますので新たなレコードが追加されるたびに自動的に1ずつ増加した値が入ります。 列urlは巡回先で重複を避けるためにUNIQUE制約をかけています。
最後にサブルーチンinsert_dbで巡回起点URLを登録しています。 これも抜粋しておくと、
sub insert_db { my $h = shift; my $u = shift; my $sql = "INSERT INTO ".$opt->get_table_name." (id, url) VALUES (NULL, ?)"; my $sth = $h->prepare($sql); { local $sth->{PrintError} = 0; my $result = $sth->execute($u); if (not defined $result) { if ($sth->err == 1062) { ; # It is nothing } else { ERROR "code : ".$sth->err; ERROR "string : ".$sth->errstr; ERROR "state : ".$sth->state; } } } $sth->finish(); }
以前にこのブログに書いた一意キー制約違反を無視するしかけをしています。
親プロセスのメインループ
巡回リストが作成できたら、ひたすらリストを読み取って巡回することを繰り返します。 この部分をParallel::ForkManagerを使って並列処理化しました。 コードを抜粋すると、
my $dbh = connect_db() or die("Cannot connect DB".$DBI::errstr); init_db($dbh); my $pm = Parallel::ForkManager->new($opt->get_num_of_workers); for (my $c = 1; $c < $opt->get_max_pages; $c++) { my $u = get_url($c); if (not defined $u) { last; } my $pid = $pm->start and next; worker($u, $c); $pm->finish; } disconnect_db($dbh);
サブルーチンget_urlがDBから巡回先URLを取ってくる部分です。 少し困るのは子プロセスが次の巡回先をDBに登録する前にこのサブルーチンが呼ばれたときの動作なのですが、 そこは「1秒おきにリストを読みに行く」というポーリング動作をget_urlの中で書いて誤魔化しています。
sub get_url { my $id = shift; my $query = "SELECT url FROM ".$opt->get_table_name. " WHERE id = ?"; for (my $i = 0; $i < $opt->get_wait_count; $i++) { my $sth = $dbh->prepare_cached($query); $sth->execute($id); my @rs = $sth->fetchrow_array(); $sth->finish; if ($rs[0]) { return ($rs[0]); } sleep 1; } return undef; }
子プロセスの動作
起動された子プロセスは指定URLを巡回しますが、目的と無関係な画像のダウンロードを避けるために コンテンツに「メイド」の文字列が存在することをチェックすることにしました。 また「NAVERまとめ」の外のサイトは巡回リストに登録しないよう、フィルタをかけました。
コードは以下のような具合です。
sub worker { my $url = shift; my $c = shift; my $ua = LWP::UserAgent->new( ssl_opts => { verify_hostname => 0, } ); my $target_url = URI->new($url); my $r = $ua->get($target_url); if (not ($r->is_success)) { return; } my $contents = $r->decoded_content; my $t = HTML::TreeBuilder->new; $t -> parse( $contents); $t -> eof(); if ($contents =~ /メイド/) { DEBUG "メイド found"; } else { return; } my $h = connect_db(); if ($h) { foreach my $a ($t->find("a") ) { my $tgt = $a->attr('href'); if ($tgt) { my $uri = URI->new_abs($tgt, $target_url); get_photo($ua, $tgt, $target_url); if ($uri =~ m{^http://matome.naver.jp/odai/}) { insert_db($h, $uri); } } } disconnect_db($h); } $t->delete; }
サブルーチン get_photo はリンク先がJPEG画像で100KB以上のサイズだったときにのみファイルにダウンロードする処理をします。
その成果
メインループの最大回数を1万回に設定して実行したところ、 600枚強の画像を取得できました。 今回はかなりの精度でメイドさん関連の画像をダウンロードできており 大満足です。
Log::Log4perlのEasy ModeでプロセスのPIDもログに出力する
お手軽なログ出力
自分のスクリプトにデバッグ目的でたくさんのprint文を入れるのが常なのですが、 最近はLog::Log4perlを使うことを覚えました。
Easy Mode というものが簡便に使えて、たとえば
use Log::Log4perl qw( :easy ); Log::Log4perl->easy_init( $DEBUG ); DEBUG "hogehoge";
これを実行すると
# perl ex1.pl 2013/03/31 14:43:04 hogehoge
と、自動的にタイムスタンプもついて出力されるのが嬉しい。
PIDもログ出力
ログ出力のメッセージフォーマットはカスタマイズ可能でタイムスタンプ以外に ファイル名や行番号なども表示させることができます。 途中でforkするようなマルチプロセスのスクリプトではそれぞれのログメッセージをどのプロセスが 出力しているかを判別できるようにPIDを出すとよいと思います。
use Log::Log4perl qw( :easy ); Log::Log4perl->easy_init( { level => $DEBUG, layout => "%d %p [%P] (%F %L) %m%n", } ); DEBUG "hogehoge";
こうすると出力は
# perl ex2.pl 2013/03/31 14:52:25 DEBUG [3959] (ex2.pl 14) hogehoge
layoutの書き方はperldoc Log::Log4perlで「Log Layouts」の節に記載があります。
参考
設定ファイルから読み込んだパラメータ内容をGetopt::Lucidを使ってコマンドラインオプションで上書きする
設定ファイルとコマンドラインオプションの優先順位の問題
スクリプトの中のパラメータの一部をコマンドライン引数で指定した設定ファイルから読み込むようにしたい、 さらにその内の任意の項目をコマンドラインオプション指定で上書きできるようにしたいと思うわけです。
例えば次のような設定ファイルconfig.yamlがあって、
--- db_name: TestDB db_user: TestUser db_pass: TestPass num_of_workers: 5
コマンドラインから次のようにスクリプトを起動すると、
$ ./myapp.pl --db_name="hogehoge" config.yaml
db_name だけは「hogehoge」で、その他のパラメータは config.yaml の内容で動作するようにしたい。
つまりコンフィグファイルの内容よりもコマンドラインオプションの指定が優先されるようにしたいのですが、 これには悩ましい点があって、たとえば 「業務に役立つPerl」 という書籍などではコマンドラインオプションの処理方法としてGetopt::Longを使った次のような方法が紹介されているのですが、
# 1) Set defaults my $db_name = "db_default_name"; # 2) read options GetOptions( 'db_name' => \$db_name, ); # 3) read arguments my $config_file = shift;
設定ファイルconfig.yamlの読み込み処理をこのあとに何も考えずに書くと# 2)の コマンドラインオプション内容を上書きしてしまいそうです。 そうなると意図した優先順位と逆転してしまう。
Getopt::Lucidを使う
Getopt::Longの替わりにGetopt::Lucidを使うとこの悩みをスマートに解決できます。
perldoc Getopt::Lucidで「Managing Defaults and Config Files」の節にこの優先順位の問題が論じられています。 前記のコードでの# 2)のコマンドラインオプションの取得において、 Getopt::Lucid # 1)のデフォルト値を内部的に保持し続け、# 3)のあとに 設定ファイルを読み込んだあとに # 2)ではなく# 1)のデフォルトを 置き換えて評価しなおすことが可能です。
少し長くなりますが例えばこんなようなコードになると思います。
use Getopt::Lucid qw( :all ); use Config::Any; # 1) my @specs = ( Param("db_name")->default("db_test"), Param("db_user")->default("user_test"), Param("db_pass")->default("pass_test"), Param("num_of_workers")->default(8), ); # 2) my $opt = Getopt::Lucid->getopt(\@specs); # 3) my $config_file = shift; my $cfg = Config::Any->load_files( { files => [$config_file], use_ext => 0, flatten_to_hash => 0, } ); my ($filename, $config) = %$cfg; # デフォルトをconfig.yamlの内容で置き換える $opt->replace_defaults($config); # Results print $opt->get_db_name."\n"; print $opt->get_db_user."\n"; print $opt->get_db_pass."\n"; print $opt->get_num_of_workers."\n";
これをコマンドラインオプションなしで実行すると
$ ./myapp.pl config.yaml TestDB TestUser TestPass 5
コマンドラインオプションを指定して実行すると
$ ./myapp.pl --db_name="hogehoge" --num_of_workers=12 config.yaml hogehoge TestUser TestPass 12
と、期待通りの結果となります。
その他のあれこれ
「Lucid」とは英語で「頭脳明晰な」「わかりやすい」といった意味の単語だそうです。 上記の他にもオプション値の正当性評価やエラー時の例外処理の仕組みなどが 組み込まれているようですので、おいおいに使い方を覚えようと思っています。
いかにしてメイドさん画像をダウンロードするか~FC2編
Webサイトを巡回して画像ファイルを得る
Googleなどで「メイド 画像」を検索しているとfc2.comドメインのWebページが 少なからずヒットします。 そこでこれらのWebページを巡回してメイドさん画像をダウンロードする スクリプトを書いてみました。おおまかには
- Web検索APIを使って「メイド 画像 fc2.com」をキーワードに検索する。
- 検索にヒットした各Webサイトにアクセスし150Kbytes以上のJPG画像をダウンロードする。
という手順です。
マイクロソフトの検索エンジンの利用
検索エンジンにはこのブログエントリの 元ネタ でも利用されていた MicrosoftのBing Search API を利用しました。 利用にはWindows Azure Marketplaceでアカウントを作成し アカウントキーを得ることが必要ですが、登録さえすれば 月あたり5000トランザクションまで無料で利用できます。
1回のクエリにつき最大50件の結果が返りますので パラメータ「skip」を調整しながら問い合わせを繰り返します。 さしあたり問い合わせ回数の上限を100回と決めました。
use utf8; use LWP::UserAgent; use HTTP::Request; # 略 my $url = URI->new('https://api.datamarket.azure.com/Bing/SearchWeb/Web'); my $authid = ''; my $authpass = 'My_API_Key'; my $query = 'メイド 画像 fc2.com'; my $ua = LWP::UserAgent->new( ); my $page_count = 0; for (my $c = 0; $c < 100; $c++) { my $skip = $page_count * 50; $url->query_form( 'Query' => qq{'$query'}, '$top' => 50, # max num of results '$skip' => $skip, # offset '$format' => 'json', 'Adult' => qq{'Off'}, ); my $req = HTTP::Request->new(GET => $url); $req->authorization_basic($authid, $authpass); my $res = $ua->request($req); if ($res->is_success) { # 後述 } else { # not success die $res->code; } $page_count++; }
留意すべき点としてはクエリーを投げるときの「Adult」を「Off」指定している箇所です。 これは「Adultな結果をフィルタする機能をOffにする」という意味合いであって、 つまりAdultな結果を手に入れたいなら「Off」指定が必要です。
Parallel::ForkManagerによる並列処理
Web検索APIの結果が返ってきたらJSONモジュールでパースします。 「results」には最大50件の結果が格納されていますので、 それぞれの「Url」について 昨日のブログエントリ の要領で画像ファイルの検索・ダウンロードを試みます。
ここで高速化を期待してParallel::ForkManagerを 使って最大8プロセスでの並列処理をさせました。
use JSON; use Parallel::ForkManager; my $pm = Parallel::ForkManager->new(8); # 途中略 for (my $c = 0; $c < 100; $c++) { # 途中略 if ($res->is_success) { my $j = decode_json $res->content; my $results = $j->{d}{results}; if ($results) { my @targets = @$results; if (scalar(@targets) == 0) { last; } foreach my $target (@targets) { my $pid = $pm->start and next; &get_document($target->{'Url'}); $pm->finish; } } } # 途中略 } # for $c
コード中のサブルーチンget_documentの中身がほぼ 昨日のブログエントリ のものです。
成果
このスクリプトを実行することで約1400枚の画像をダウンロードできましたが 残念ながらメイドさんとはまったく無関係のものも多く混在してしまいました。 感覚的にはメイドさん画像が半数程度というところでしょうか。
とはいえ、それらの無関係な画像も含めて楽しめたので、 まずはこれで善しと考えたいと思います。
Webページから一定の大きさ以上のJPEG画像ファイルをダウンロードする
ビッグデータの時代に
情報が氾濫するこの時代に真に意味のある情報とは何でしょうか。 価値観は人それぞれでしょうが、さしあたりここでは「150キロバイト以上のサイズのJPGイメージファイル」こそ 有意な情報であるという前提とします。
目標
対象とするWebページから有意な情報のみを取り出すことが目標です。 やりたいことは、
- 目的のWebページ(HTML文書)をとってきて
- 該当ページ内のIMGタグのSRC属性およびAタグのHREF属性に記されたJPEG画像のURLを取得し
- サイズが規定値以上ならダウンロードする
となります。
前半
LWP::UserAgentで対象文書の取得を行い、解析はHTML::TreeBuilderで行います。
use HTML::TreeBuilder; use LWP::UserAgent; use URI; # (略) my $target_url = URI->new("http://sanzierogazo.blog129.fc2.com/blog-entry-1489.html"); my $ua = LWP::UserAgent->new(); my $r = $ua->get($target_url); die "Request failed :$!" unless $r->is_success; my $t = HTML::TreeBuilder->new; $t -> parse( $r->decoded_content); $t -> eof(); foreach my $i ($t->find("img") ) { &get_photo($i->attr('src')); } foreach my $a ($t->find("a") ) { &get_photo($a->attr('href')); } $t->delete;
後半
画像のダウンロード部分は再びLWP::UserAgentを使って以下のように書きました。
sub get_photo { my $img = shift; return if not defined $img; my $media_url = URI->new_abs($img, $target_url); return if not $media_url =~ /\.jpg$/; my $res = $ua->head($media_url); return if $res->header("content-length") < 150000; my $filename = $media_url; $filename =~ s/\/+/_/g; $filename = $savedir.$filename; return if -f $filename; $res = $ua->get($media_url, ':content_file' => $filename); }
参考文献
スクリプトを書くにあたっての参考としては 「Perl & LWP」 という書籍が今ではオンラインでフリーに読むことができます。 特にChapter 9のあたり。
さらに直接的には日本人の先人の知恵の ブログ記事 が簡潔で、参考にさせていただきました。
MySQLデータベースにINSERT文で行を挿入しようとしたときの一意キー制約によるエラーを無視する
一意キー制約
MySQLデータベースを使っていて、列が1つだけの表にどんどんレコードを追加していきたい、 ただし重複したデータは登録したくないとします。
テーブル作成時に該当の列に一意キー制約をかけておくと
mysql> create table tbl_sometest (url varchar(255), constraint unique ct_sometest(url) ); Query OK, 0 rows affected (0.11 sec)
重複したデータを登録しようとしても以下のようにエラーになって登録できません。
mysql> insert into tbl_sometest (url) values ('http://www.example.com'); Query OK, 1 row affected (0.00 sec) mysql> select * from tbl_sometest; +------------------------+ | url | +------------------------+ | http://www.example.com | +------------------------+ 1 row in set (0.00 sec) mysql> insert into tbl_sometest (url) values ('http://www.example.com'); ERROR 1062 (23000): Duplicate entry 'http://www.example.com' for key 'ct_sometest'
エラーコード1062は MySQLのドキュメント に記載されています。
Perl によるコード
言い方を変えればデータ重複の検査をMySQLにまかせてスクリプト側では とにもかくにもINSERT文を実行すればよい、とも言えそうです。 ただしその場合はINSERT時のデータ重複によるエラーとそれ以外の予期せぬエラーを分けて扱いたい。 データ重複によるエラーは言わば「予期されたエラー」なので単に無視したいわけです。
そこで次のようなコードを書きました。
use DBI; # 略 my $dbh = DBI->connect($dsn, $dbUser, $dbPass); my $query = qq{ INSERT INTO tbl_sometest(url) VALUES (?) }; my $sth = $dbh->prepare($query); my $param = 'http://www.example.com'; my $res = $sth->execute($param); if (not defined $res) { if ($sth->err == 1062 and $sth->errstr =~ /ct_sometest/) { ; # It is nothing } else { ERROR "string : ".$sth->errstr; die; } }
コード中の「ct_sometest」はテーブル作成時に決めた一意キー制約の名前です。
DBI が出すエラーメッセージを抑制する
ところがこれでも標準エラー出力に 1062 のエラーメッセージが出ます。 どうやらDBIが内部で出すもののようで、これを抑制するには、 perldoc DBI によれば次のようにします。
{ local $sth->{PrintError} = 0; # localize and turn off for this block $param = 'http://www.example.com'; $res = $sth->execute($param); if (not defined $res) { ERROR "string : ".$sth->errstr; die; } }
いかにしてメイドさん画像をダウンロードするか~2013
元ネタ
ゆーすけべーさんの有名なブログエントリ 「いかにしておっぱい画像をダウンロードするか~2012」 をほとんどそのまま利用して「おっぱい」を「メイド」に置き換えれば 大量のメイドさん画像を得ることができます。
この元ネタはゆーすけべーさんの以下の著書でも取り上げられています。
しかしながらこの方法で集めたメイドさん画像はマイクロソフトの検索エンジンの限界なのか、 いまひとつ刺激が足りず、中にはテイラーメイドの スポーツ用品の写真なども混じって来てしまう。
そこで、これも既に先人がいることだろうとは思いますが 練習を兼ねて tumblr.com から「メイド」のtagがついた画像のポストを 集めるスクリプトを書きました。
tumblr
まずはtumblr.com の API についての ドキュメントを 読みます。
一番最後に記されている Tagged Methodで「メイド」のタグが ついたポストを取得し、その画像をダウンロードするのが目標です。
利用には、まずは自分の「アプリケーション」を何かしら登録して API Keyの取得が必要です。
taggedメソッド
tumblrのtaggedメソッドには必須パラメータとして「api_key」「tag」 の指定が必要ですが、さらにオプションとして「before」を指定可能です。
tumblrの各投稿にはタイムスタンプがついており、「before」を指定する ことで指定日時以前の投稿を取得できます。
taggedメソッドの1回の問い合わせに対して最大20個の投稿が返ってきますので、 その中からもっとも古いタイムスタンプを選び、次の問い合わせを 投げるときには「before」にそのタイムスタンプを指定することで より過去に遡って投稿情報を取得できます。
1回の問い合わせのコードは抜粋すると以下のようになります。
my $ua = LWP::UserAgent->new(); # 途中略 sub tumblr { my $t = shift; my $url = URI->new('http://api.tumblr.com/v2/tagged'); my $query = 'メイド'; my $api_key = 'MyAPI_Key'; $url->query_form( 'tag' => $query, 'api_key' => $api_key, 'before' => $t, ); my $req = HTTP::Request->new(GET => $url); my $res = $ua->request($req); # (以下略) }
画像のダウンロード
画像のダウンロードはオリジナルのおっぱい取得スクリプトを ほとんどそのまま使います。 画像は「photos」リストに格納されますので、原寸の画像のみを ダウンロードすることにします。 前記のサブルーチンの続きは以下のようなコードになります。
if ($res->is_success) { my $j = decode_json $res->content; my $items = $j->{"response"}; foreach my $item (@$items) { my $phs; if ($phs = $item->{'photos'}) { if ($t > $item->{'timestamp'}) { $t = $item->{'timestamp'}; } foreach my $ph (@$phs) { &get_photo($ph->{'original_size'}->{'url'}); } # foreach photo } } # foreach item return $t; } # 以下略
途中、timestamp値を最小値に更新して返すようにしています。 サブルーチン get_photo は指定URLのJPGファイルをダウンロードして 保存する内容を別に設けています。
成果
画像を含まない投稿もあるわけですが、二次元と三次元を取り混ぜて 500枚余りのメイドさんを収集できました。 さらなる成果を得るには、もう少し何か工夫が必要なようです。