25
33

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

Python3.9系でSelenium4を使ったスクレイピングアプリをlambdaで動かそうと試みたが、その結果は・・・

Posted at

はじめに

定期的な情報収集をしたかったため、スクレイピングのアプリを作ったのだが、今回はクラウド上(AWS の lambda)への移植を試みた。
結局 Selenium の起動が上手くいかず完成できていないのだが、これまでの備忘としてメモを残しておく。

使ったサービス & 主要ソフト

  • s3

  • lambda (lambda layer も利用)

  • Cloud9 (lambda layer に登録するための、パッケージやドライバーの取得に使用)

  • pytho3.9系

  • seleium 4.16.0

メモ内容

⓪ まずは前提

今回は Selenium を使うアプリだったので、ブラウザ挙動を確認する必要があった。
そのため、開発はローカルPC(Python3.9系)で行っている。
ちゃんと問題なく動くコードである事ができた上で、AWS上のサービスで作り直しする方法を検討(コードは基本的にそのまま移行の予定)

① 必要パッケージやドライバーの準備

Python自体のバージョンについては、lambdaのランタイムの設定を行うときに適切なバージョンを選べば良いので、あまり気にする必要ないのだが、selenium や beautifulsoup4 などの追加パッケージや、Chromeドライバーなどを lambda layerにセットする必要があるので、いくつか準備しなければいけない。
大きくは以下の作業が必要。

  • 任意の s3 バケットを作成
  • python フォルダを作成し、必要なパッケージをそこに集める。(この時、パッケージ一覧に含まれる各ライブラリは、lambdaのランタイムのpythonバージョンで動くものとすること。)
  • python フォルダをzip化し、作成したバケットに入れる。
  • Chromeドライバー関連のファイルを取得し、headlessフォルダに入れてzip化する。
  • python.zip と同じく、作成したバケットに入れる。

 ※ 最終的には s3バケット内に必要なzipファイルが入れば動くため、zipファイルの作成手順やアップロードの仕方は好きなやり方でOKだが、lambda の実行環境はlinux系OSのため、その環境下で動くパッケージやドライバーを用意しなければいけない!
そう考えると、Cloud9 を使ってしまう方が楽かもしれない。

Cloud9 を使って必要なzipファイルを準備する

python 環境のアップデート

  • Cloud9 IDE(Integrated Development Environment)を起動する。

  • Python のバージョンを確認。
    image.png

  • pyenv を使って3.9系のpython 環境に切り替えられる様にする。

Cloud9 IDE
# pyenv導入
git clone https://github.com/pyenv/pyenv.git ~/.pyenv 

# 確認コマンド
~/.pyenv/bin/pyenv --version   

# パスを通すため、~/.bashrc に設定追加
$ cat << 'EOT' >> ~/.bashrc
export PATH="$HOME/.pyenv/bin:$PATH"
eval "$(pyenv init -)"
EOT

# 設定ファイルの反映
source ~/.bashrc
  • Python 3.9系のインストール
Cloud9 IDE
# インストール可能なバージョンを確認
pyenv install --list | grep 3.9.

# 希望のPythonバージョンをインストール
pyenv install 3.9.18

※ 以下の警告が出てきた。
image.png

  • 足りないパッゲージ bzip2-develxz-devel をインストール
Cloud9 IDE
sudo yum -y update
sudo yum -y install bzip2-devel
sudo yum -y install xz-devel

# 確認
sudo yum list installed | grep bzip
sudo yum list installed | grep xz
  • pythonバージョンを切り替える
Cloud9 IDE
pyenv global 3.9.18

# 確認
python -V

pip install --upgrade pip

スクレイピング用のpythonパッケージの準備

  • pythonフォルダを作成して、その中にパッケージを取得。
cloud9 IDE
mkdir python
cd python
pip install beautifulsoup4 -t .
pip install requests -t .
pip install selenium -t .
  • pythonフォルダのzip化
cloud9 IDE
cd ..
zip -r python python

Chrome-driver の準備

ダウンロードするドライバーのバージョンについては、こちらのサイトを参考にしながら調べてみたが、結局のところ自分は上手くいかなかった。
恐らく、今回のランタイム(Python 3.9)と Chromeドライバーのバージョンが上手く嚙み合わっていないことが原因!

  • chromedriver の保存用ディレクトリを用意する。
cloud9 IDE
mkdir headless
cd headless
  • 任意の headless-chromium をダウンロードして、unzip、不要ファイルを削除する。
cloud9 IDE
curl -SL https://github.com/adieuadieu/serverless-chrome/releases/download/v1.0.0-55/stable-headless-chromium-amazonlinux-2017-03.zip > headless-chromium.zip
unzip -o headless-chromium.zip -d .
rm headless-chromium.zip
  • 同様に chromedriver をダウンロードして、unzip、不要ファイルを削除する。
cloud9 IDE
curl -SL https://chromedriver.storage.googleapis.com/2.43/chromedriver_linux64.zip > chromedriver.zip
unzip -o chromedriver.zip -d .
rm chromedriver.zip
  • headless フォルダのzip化
cloud9 IDE
cd ..
zip -r headless headless

上記2つのzipファイルをS3にアップロード

  • Cloud9 左パネルのAWSロゴマークをクリックし、Add regions to AWS Explorer... をクリック。バケットのあるリージョンを選択する。
    image.png
     

  • S3内の対象のバケットに対して、ファイルをアップロードすることができる。
    image.png

S3 にzipファイルが置ければ、lambdaレイヤーへの参照は全く難しくないので割愛!

いざ試してみるが上手くいかず、、、

lambdaレイヤー自体の作成と、lambdaへのレイヤー追加をした後、以下の様なコードを実行したが動きませんでした。。。

# Selenium 4
from selenium import webdriver
from selenium.webdriver.chrome.service import Service
from selenium.webdriver.chrome.options import Options

from bs4 import BeautifulSoup
from time import sleep
import datetime
from dateutil.relativedelta import relativedelta
import re
import json

def lambda_handler(event, context):

    URL = "https://news.yahoo.co.jp/"

    chromedriver_path = "/opt/headless/chromedriver"
    service = Service(chromedriver_path)
	
    options = Options()
    options.add_argument("--headless")
    options.add_argument("--single-process")
    options.add_argument("--no-sandbox")
	
    #ブラウザの定義
    browser = webdriver.Chrome(
        service=service
        ,options=options
    )
    
    browser.get(URL)
    title = browser.title
    browser.close()

    print("ドライバー終了")
    print("取得したタイトル ", title)
TEST実行後のエラーメッセージ
{
  "errorMessage": "Message: Service /opt/headless/chromedriver unexpectedly exited. Status code was: 127\n",
  "errorType": "WebDriverException",

最後に

色々とChromeバージョンの組み合わせを変えたり、エラー原因を調査してみたが、『ランタイムPython3.8系以上で、OSがAmazon Linux2』 になってしまっている事が原因の根幹になっていそう。。。
他のサイトにも助言があったのだが、docker で作った方が良いのかもしれない。

上記の解決方法、分かる方いましたらコメントいただけると嬉しいです。

25
33
3

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
25
33

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?