2年前にプチ話題になったアレです

https://twitter.com/ccc_privacy_bot
ソースコード： https://github.com/sue445/ccc_privacy_crawler

過去の記事

2年前に書いた時から若干アップデートがあるのでそれについても書きたいと思います。

ボットでやっていること

1時間に1回、提供先企業一覧のPDFをダウンロードできるページにいく
- http://qa.tsite.jp/faq/show/2512
PDFをダウンロードして提供先企業一覧を取得
- スクレイピングだけでいけると思ったらPDFで提供されていたのでparseするのが大変だったｗ
新着があればボットでつぶやく

ってだけです。

ちなみにPDFをダウンロードしてスクレイピングするロジックは2年間で一切手を加えていませんが、だいたい動いているようです。

使っている技術

ruby
Padrino Framework
- 全部入りのRails とシンプルな Sinatra の中間くらいのフレームワーク
- リリース当時はスクレイピングとボットのみだったのでpadrinoはおろかsinatraすら不要だったのですが、スキーマのmigrationを自前で実装するのが嫌だったのでpadrinoを採用
- 後からwebを追加したくなったので（後述）、結果的にはpadrino使ったのは正解だった
Heroku

HTMLのスクレイピング

Mechanize を使ってます。

メリット
- 軽い
- Ruby単体で動く
デメリット
- htmlのbodyのparseしかしないので、jsでDOMが操作されている場合には使えない

Ajaxがふんだんに使われたページをスクレイピングするには phantomjs + Capybara + poltergeist の組み合わせが鉄板だと思います。（が、phantomjsはデバッグしづらいのが。。。）

参考： Rails4 + Capybara + PhantomJS (poltergeist) なテスト環境 - (ﾟ∀ﾟ)o彡 sasata299's blog

実際のソースコードで解説します

lib/workers/pdf_crawl_worker.rb

  def download_ccc_pdf(dest_pdf_file)
    # mechanizeのインスタンスを初期化
    agent = Mechanize.new

    # http://qa.tsite.jp/faq/show/25129 を開く
    agent.get("http://qa.tsite.jp/faq/show/25129")

    # <a href="/attachment_file/〜.pdf"> のようなリンクを探す
    download_link = agent.page.link_with(href: %r(/attachment_file/.+\.pdf))

    # リンクが見つからなければエラー
    raise "Not found download_link" unless download_link

    # リンク先のPDFをダウンロードしてファイルに保存する
    pdf_content = agent.get_file(download_link.href)
    File.open(dest_pdf_file, "wb") do |file|
      file.write(pdf_content)
    end
  end

pdfのスクレイピング

pdf-reader というgemを使ってます。

pdfをrubyから読むためのgemはいくつか使ってみたのですが、今回はこのgemじゃないとうまくテキストで取得出来ませんでした。（cccのpdfはExcelをpdfに変換してるみたいなのですが、他のgemだとセルの中のテキストが列単位でしか取得できない。pdf-readerだとpdfとしてレンダリングされる時の実際の座標もある程度考慮してくれる模様）

ダウンロードしたpdfをテキストで読み込む

lib/workers/pdf_crawl_worker.rb

  def read_pdf(pdf_file)
    pdf_content = ""

    reader = PDF::Reader.new(pdf_file)
    reader.pages.each do |page|
      pdf_content << page.text
    end

    pdf_content
  end

これ自体は特別なことをしていないんですが、そのままだと下記のようにpdf内の日付がうまく取得できませんでした

1 TSUTAYA・蔦屋書店                      2014/10/2提携先：TSUTAYAフランチャイズチェーン加盟企業
2 ＪＸ日鉱日石エネルギー株式会社                   2014/10/2提携先：ENEOS
3 株式会社アプラス                          2014/10/2提携サービス：Tカードプラス， Tカードプラスα ，TSUTAYAWカード
4 株式会社Ｍｉｓｕｍｉ                        2014/10/2提携先：BOOKSmisumi，Misumiグループ（ガス・水）
5 ＪＲ九州ドラッグイレブン株式会社                  2014/10/2提携先：ドラッグイレブン

モンキーパッチで文字描画の位置を無理矢理変えて対応してます。

lib/pdf-reader.rb

class PDF::Reader::PageLayout
  # fix rate: 1.05 -> 1.5
  def col_count
    @col_count ||= ((@page_width  / @mean_glyph_width) * 1.5).floor
  end
end

pdfを文字列で取得でした後は正規表現でparseしてます

lib/workers/pdf_crawl_worker.rb

  def parse_ccc_pdf(pdf_file)
    companies = []
    read_pdf(pdf_file).each_line do |line|
      line = line.strip

      matched_data = %r(
        ^(?<no>[0-9]+)\s*
        (?<company_name>.+)\s*
        (?<receipted_date>[0-9]{4}/[0-9]{1,2}/[0-9]{1,2})
        (?<destination_name>.+)$)x.match(line)
      next unless matched_data

      companies << Company.new(
        no:               matched_data[:no].to_i,
        company_name:     matched_data[:company_name].strip,
        receipted_date:   matched_data[:receipted_date].strip,
        destination_name: matched_data[:destination_name].strip,
      )
    end

    companies
  end

ソースコード中の正規表現の

%r(
^(?<no>[0-9]+)\s*
(?<company_name>.+)\s*
(?<receipted_date>[0-9]{4}/[0-9]{1,2}/[0-9]{1,2})
(?<destination_name>.+)$)x.match(line)

は

/^([0-9]+)\s*(.+)\s*([0-9]{4}\/[0-9]{1,2}\/[0-9]{1,2})(.+)$/ =~ line

と同等ですが下記のような工夫があります

$1 や $2 だと分かりづらいので (?<no>[0-9]+) や (?<company_name>.+) のように名前付きキャプチャを使う
- http://docs.ruby-lang.org/ja/2.3.0/doc/spec=2fregexp.html
/〜/ だと正規表現内にスラッシュがあるとエスケープしないといけないので %r(〜) を使う
- http://docs.ruby-lang.org/ja/2.3.0/doc/spec=2fliteral.html#regexp

クローラ

作った当初は

Heroku schedulerの無料枠は1日1回実行のみ。（1時間に1回実行は有料）
インスタンスを24時間フル稼働していても無料

ということもあり sidekiq-cron のプロセスを常駐して30分に1回実行していたのですが、2015年4月頃 ¹ に新しい料金体系が発表され

24時間インスタンスを起動し続けると有料になる
その代わりHeroku schedulerが無料でも1時間に1回動かせるようになった

ということになり、Heroku Schedulerで1時間に1回動かすようにしています。

元々workerで実行してた頃の名残で、rake task内でworkerのインスタンスを perform しています。

lib/tasks/crawl_pdf.rake

desc "crawl pdf"
task :crawl_pdf => :environment do
  PdfCrawlWorker.new.perform
end

web画面

特にどこにもアナウンスしていなかったですが、レコードを見るのにローカルから padrino console するだけだと不便だったのでwebで見れるようにしています。

自分が見れればいい感あったので画面は雑です

自分が対応した日付より推測 https://github.com/sue445/ccc_privacy_crawler/pull/25 ↩

Tカード個人情報提供先新着bot

過去の記事

ボットでやっていること

使っている技術

HTMLのスクレイピング

pdfのスクレイピング

クローラ

web画面