happyou.infoのブログ

ニュース収集サイトhappyou.infoのブログです。 国内外のあらゆる企業と組織、団体のウェブサイトの更新を収集します。 岡本将吾が運営しています。twitterは @happyou_info_ja です。

サーバを増強しAPIの検索機能が軽くなりました。

happyou.infoは現在、クロールの規模を拡大するための諸々の作業を行っています。

そのためにまずAPIの検索を担当するサーバの増強を行いました。かなり軽くなりました(まぁ、これまでなぜここまで負荷をかけていたのかという問題があったのですが…)。 ずっと懸案であったので一つ荷が降りた気持ちです。

NASDAQ全銘柄のウェブサイトをスクレイピングする計画

 
happyou.infoというサイトを開発している@shogookamotoと申します。
 
現在、NASDAQ市場に上場している全企業の公式サイトの更新情報をスクレイピングすることを計画しています。日本株については完了しています(リンク, リンク)。
 
そのためには、まずどのサイトをスクレイピングすればよいのかを正確に把握しなければなりません。
 
(1)取扱銘柄そのものはすぐに取得できます。
NASDAQは毎日取扱銘柄の一覧を公開のftp.nasdaqtrader.comにアップロードしています。anonnymousでログインして
/SymbolDirectory/nasdaqlisted.txtからファイルをダウンロードしてくるだけです。
詳細は http://www.nasdaqtrader.com/trader.aspx?id=symboldirdefs に書かれています。日本株よりずっと単純でわかりやすい。凄いぞNASDAQ!
 
(2)しかし、ここでわかるのは企業名とticker symbolだけです(例えばApple Incのticker symbolは"AAPL"という具合)
私が知りたいところの公式サイトのURLは記述されていません。調べた結果それは
(その後、個別ではなく、一覧を取得したい場合はhttp://www.nasdaq.com/screening/companies-by-industry.aspx?exchange=NASDAQ をスクレイピングすればよいことがわかりました。このページが一番相手のサーバ様に負荷をかけずによいと思いました。)。
 
(3)しかし、このNASDAQのページで得られるオフィシャルサイトのURLは既に古くなっている場合があるので注意が必要でした。
例えば、Pacific Biosciences of California, Inc.(PACB) のページ(http://www.nasdaq.com/aspx/infoquotes.aspx?symbol=PACB)によるとオフィシャルサイトは
http://www.pacificbiosciences.com/ です。しかし実際にアクセスしてみるとわかりますが、そのサイトは既に http://www.pacb.com/ へ移転しています。このサイト移転に関しては、結局私のクローラが移転を検出して更新してやる必要がありました。保守運用がんばろうよNASDAQ
 
また、例えばBarclays というイギリスの銀行が扱ってるETNという金融商品TAPR, STPP, CAPE、その他)の公式サイトは、私は
http://etn.barclays.com/US/7/en/home.app が適切だと思うのですけれども、全部
http://www.barclays.com/ に統一してしまっているのもどうかと思いました。リンク切れを避けたいのでしょうし、最終的にTickerSymbolと公式サイトが1:1対応出来ないということも理解しますけれども、ここもっと完成度高めて欲しいですねー。
 
(4)さて、こうして得られた全銘柄のサイトを FinalScraperにかけてRSSを作ってみました。しかし、残念ながら現時点ではかなりうまくゆかないことがわかりました。
 
(失敗原因1) IPアドレスを元に表示される言語が決められてしまう。
たとえば、Qiagen N.V. (QGEN)のオフィシャルサイトhttp://www.qiagen.com/
日本のIPアドレスからのアクセスと判断すると自動的にhttps://www.qiagen.com/jp/
リダイレクトして、日本語のコンテンツが表示してしまいます。日本でクロールしているところの私のサーバは日本語のコンテンツしかダウンロードできません(ブラウザの言語設定をいじっても無理)。大人の事情なのか、特に医薬系の企業に多いようです。
 
(失敗原因2)
NASDAQってアメリカにあるんだから、オフィシャルサイトは英語だろうというそもそもの見込みが甘かったようです。トップページが中国語だったりヨーロッパ系の言語なサイトが沢山あります。http://www.hogehoge.comが、期待する言語英語でなかったとき、私達人類はサイト中の適当なリンクをクリックしたり検索エンジンで検索し直すなどして、http://www.hogehoge-holdings.com/english/ にたどり着くことが出来るのですが、現状で私のクローラにそんな機能はありません。
URLも標準化されていません。例えば中国のIT企業China Information Technology, Inc. のトップページhttp://www.chinacnit.com/ は中国語です。英語のページは、http://www.enchinait.com/en/でも、http://www.enchinait.com/lang=enでもなく、http://en.chinacnit.com/ です。このURLも人間がウェブブラウザでクリックしてやらないと知ることが出来ません。
 
特定の企業をやサイトを批判する意図は一切ありません。サイトごとに作りがバラバラで、機械はウェブサイトの目的のページに辿りつけないよねという主張をしています。
 
まぁ待てと。(失敗原因1)はなんとかなるだろと。例えば北米のVPSなりAWSなり借りれば解決できるはず。 takurosさんが書かれた記事

AWS Lambda+PhantomJS/CasperJSでスクレイピング - プログラマになりたい

を使えばLamdaでPhantomJSまで動くそうじゃないか。
 
しかし、(失敗原因2) は…もし得られたページの内容が目的の言語でなかった時、どうやって探せばいいのか。
 
トップページから目的の言語のページにたどりつくまで、depth=1くらいでクロールすれば良いのか?
しかしそのページは本当に同じ企業の英語版トップページなのか?企業によっては、地域別、言語別に別ドメインになっているサイトもあるよ。
 
とまぁ、現在はこの辺りでジタバタしてます。言語の壁すら超えられないようではマシンリーダブルなんてとても無理。いずれなんとかします。
 
最後に宣伝です。
 
happyou.infoはお客様のご要望に応じた分野のサイトを網羅的にスクレイピングし、サイトの更新情報をお届けできます。個々の更新項目に自動的にタグを付けて分類しています。Web API形式でご利用いただけます。詳しくは

https://happyou.info/ja/top/

をご参照ください。

FinalScraperの現状と今後

FinalScraperを発表してから1ヶ月位たったのでまとめておこうと思う。

  • 動作はかなり安定していると思う。
  • サービスを公開した本来の目的であるところの、「正しく検出できないパターンについてユーザさんにクレームを付けてもらう」が全く達成できていない。皆黙って使うだけ。うまく動かなければ黙って立ち去るだけ。どうにかならないか。
  • 日本語URLがうまく処理できないようだ。直そう。例) http://www.fsight.jp/subcategory/無料 エンコードされていないURLが投げられた場合の処理。%E7%84%A1%E6%96%99
  • そのサイトが元々RSSフィードを出力している場合、「元々そのサイトはこのRSSを出力していますよ」と結果表示に含めるべき。
  • サーバの負荷が増えてきたらログイン必須にして上限を設ければ良い。

9/29日から発生していた障害についてのメモ

9/29日から上場企業と地方自治体のRSSフィードが更新できていませんでした。現在は修復されました。APIやFinalScraperに問題は発生していませんでした。

非公開のWebサーバに大量のリクエストがあり、エラーログによりディスクが100%消費されてしまったことが障害の理由かと思われます。

 

約2日間も落ちたことに気づかなかった点は反省。今後はエラーログを監視するスクリプトを入れることにします。

 

あらゆるウェブページをRSSに変換するサービスを公開しました

 

Final ScraperはRSSを出力しないウェブページをパターン解析し、RSSフィードを出力するサービスです。 ようやく安定して動作するようになりましたのでリリースしました。ご利用は無料です。

Happyou Final Scraper

同様のサービスは他にも存在しますが、Final Scraperは独自のパターン認識プログラムによって、作成されるRSSフィードの品質を飛躍的に高めています。

 

以下の制限事項がございます。

  • 大量のエントリーはブロックさせていただくことがございます。ご希望の場合は別途お問い合わせ下さい。
  • ログインが必要なページはダウンロードすることが出来ません。
  • 通信先のウェブサイトの設定によってはダウンロード出来ない場合がございます。お相手のウェブサイト様が望まないことは出来ません。
  • 現在、4時間に一度のアクセスを行っています。最大4時間の遅れが生じることがあります。
  • 生成されたRSSフィードに長期間アクセスのない場合は削除されます。アクセスできなくなった場合は再びトップページから生成を行って下さい。
  • ウェブページのデザインや構造が変化した場合、RSSフィードが生成できなくなることがございます。RSSフィードの中にそのようなエラーメッセージが表示されている場合には、トップページからもう一度やり直して下さい。

happyou.infoのクローラはこのFinal Scraperを利用して更新情報を収集しています。

 

すべての上場企業のと地方自治体のサイトをスクレイピングして大変だったことを書きます(移転)

 

書いたんですけど、テクニカルな記事だったし、あまり反応もなかったので、Qiitaというサイトに移転しました。

qiita.com

全上場企業と全地方自治体のRSSを出力することに成功しました

happyou.infoは、国内のすべての上場企業3649社とすべての地方自治体1981サイトのウェブサイトからRSSフィードを作成し、happyou.info内にて無料公開します(*1)。

happyou.infoのトップページ

 

Final Scraper

Final Scraper はHTMLページのパターン解析を行い高品質のRSSフィードを作成します。
同様のサービスは他にも存在しますが、Final Scraperは独自のパターン認識プログラムによって、作成されるRSSフィードの品質を飛躍的に高めています。

Happyou Final Scraper


FinalScraperを利用して、上場企業と地方自治体のサイトからフィードを作成して公開しました。

すべての上場企業

すべての地方自治体


happyou API

FinalScraperは自動で動作し人間による操作が不要であるため、クローラに組み込んで利用することが出来ます。
これにより、大量のウェブサイトから自動的に更新情報を検出することが可能になりました。
しかし機械的に抽出した更新情報は量も多くニュースと呼ぶに値しない情報も多いため(*2)、全ての更新を直接でRSSリーダを使って読むには適しません。

そこで個々の更新情報にタグをつけ、Web API経由の検索を行うことで必要な項目だけを読みだせるようにしました。 happyou APIで検索することも可能ですし、IFTTTやzapierといった外部のサービスを利用することでフィルタリングされた更新情報をモバイル端末にプッシュ通知させることも可能です。

happyou API ver2

 

今後

お客様がご希望されるどのような分野にも対応できます。 医療、介護、公共事業入札、自動車部品業界、建築資材業界、どの業種でも約150万サイトの中から更新情報を分類してお届けすることが出来ます。

お客様のサイト内に表示させることも、モバイルアプリに組み込む形でご利用いただくことも可能です。
クロール対象サイトをお客様の側でご指定いただくことも可能です。
お気軽にご相談ください。

https://happyou.info/ja/top/#customize

 

以上となります。最後までお読みいただきありがとうございました。

(*1)数字は2015/09/14現在

(*2)例えば、上場企業のインベスター・リレーションズが興味の対象の人にとって、B2C企業の「今なら花柄のお皿プレゼント」といった情報はノイズになります。