scrape_images_worker.py

import os
import re
from playwright.sync_api import sync_playwright
import requests
import sys
from PIL import Image, UnidentifiedImageError
from io import BytesIO
log_file = "app_log.txt"  # ログファイルのパス

# ログフォーマットの定義
log_format = '%(asctime)s - %(levelname)s - %(message)s'

import logging
file_handler = logging.FileHandler(log_file, encoding='utf-8')
# ログの設定
logging.basicConfig(
    level=logging.INFO,  # ログレベルをINFOに設定
    format='%(asctime)s - %(levelname)s - %(message)s',  # ログのフォーマットを指定
    handlers=[
        logging.StreamHandler(sys.stdout),  # 標準出力にログを出力
        file_handler,
    ]
)
logger = logging.getLogger(__name__)

# 安全なフォルダ名を生成する関数
def generate_safe_folder_name(url):
    # URLから安全なフォルダ名を生成（ファイル名に使えない文字を除去）
    safe_name = re.sub(r'[^a-zA-Z0-9_\-]', '_', url)
    return safe_name

# 画像を保存する関数 (JPG 80%の品質で保存)
def save_image_as_jpg(image_url, save_folder, image_name):
    if not os.path.exists(save_folder):
        os.makedirs(save_folder)
        logger.info(f"フォルダを作成しました: {save_folder}")
    
    try:
        response = requests.get(image_url, timeout=10)
        response.raise_for_status()  # HTTPエラーが発生した場合例外を投げる
    except requests.exceptions.RequestException as e:
        logger.error(f"画像のダウンロード中にエラーが発生しました: {e}")
        return
    
    try:
        image = Image.open(BytesIO(response.content))
    except UnidentifiedImageError:
        logger.warning(f"未識別の画像ファイル: {image_url}. スキップします。")
        return
    except Exception as e:
        logger.error(f"画像のオープン中にエラーが発生しました: {e}")
        return
    
    # 保存時に JPG に変換し、品質80%で保存
    image_path = os.path.join(save_folder, image_name)
    try:
        image.convert("RGB").save(image_path, "JPEG", quality=80)
        logger.info(f"画像を保存しました: {image_path}")
    except Exception as e:
        logger.error(f"画像の保存中にエラーが発生しました: {e}")

# 画像の再帰的取得
def scrape_images_by_page(url, folder_name='scraped_images'):
    # URLが"/"で終わっている場合、スラッシュを削除
    original_url = url
    url = url.rstrip('/')
    logger.info(f"処理するURL: {url}")

    with sync_playwright() as p:
        browser = p.chromium.launch(headless=False)  # ブラウザを表示して操作
        page = browser.new_page()
        
        # 初期ページにアクセス
        page.goto(url)
        logger.info(f"ページにアクセスしました: {url}")
        
        # ページが完全に読み込まれるまで待機
        page.wait_for_load_state('networkidle')
        logger.info("ページの読み込みが完了しました。")

        # lazy-loading属性を無効にするためのJavaScriptを挿入
        try:
            page.evaluate("""
                document.querySelectorAll('img[loading="lazy"]').forEach(img => {
                    img.setAttribute('loading', 'eager');
                    img.src = img.src;  // 画像を強制的にリロード
                });
            """)
            logger.info("lazy-loadingを無効化しました。")
        except Exception as eval_error:
            logger.warning(f"JavaScriptの評価中にエラーが発生しました: {eval_error}")

        # フォルダ名を生成
        safe_folder_name = generate_safe_folder_name(url)
        folder_path = os.path.join(folder_name, safe_folder_name)
        logger.info(f"保存先フォルダ: {folder_path}")

        # ページ数を取得
        try:
            # ページ数が格納されているセレクタからテキストを取得
            page_count_selector = 'div.tag-container:nth-child(8) > span:nth-child(1) > a:nth-child(1) > span:nth-child(1)'
            page_count_text = page.locator(page_count_selector).text_content().strip()
            num_pages = int(re.search(r'\d+', page_count_text).group())
            logger.info(f"セレクタ '{page_count_selector}' からページ数を取得: {num_pages}")
        except Exception as e:
            logger.warning(f"セレクタ '{page_count_selector}' からページ数を取得できませんでした: {e}")
            # セレクタが見つからない場合のフォールバック
            try:
                fallback_selector = 'section.reader-bar:nth-child(2) > div:nth-child(2) > button:nth-child(3) > span:nth-child(3)'
                page.wait_for_selector(fallback_selector, timeout=5000)
                num_pages_text = page.locator(fallback_selector).text_content().strip()
                num_pages = int(re.search(r'\d+', num_pages_text).group())
                logger.info(f"セレクタ '{fallback_selector}' からページ数を取得: {num_pages}")
            except Exception as e2:
                logger.error(f"ページ数の取得に失敗しました: {e2}")
                num_pages = 1  # デフォルトで1ページとする

        logger.info(f"総ページ数: {num_pages}")

        # 各ページにアクセスして画像を取得
        for i in range(1, num_pages + 1):
            page_url = f"{url}/{i}"
            page.goto(page_url)
            logger.info(f"ページにアクセスしました: {page_url}")

            # ページが完全に読み込まれるまで待機
            page.wait_for_load_state('networkidle')
            logger.info(f"ページ {i} の読み込みが完了しました。")

            try:
                # 画像を取得するセレクタ
                img_selector = '#image-container > a > img'
                img_elements = page.locator(img_selector)
                img_count = img_elements.count()
                logger.info(f"ページ {i} の画像数: {img_count}")

                if img_count == 0:
                    logger.warning(f"ページ {i} に画像が見つかりません。")
                    continue

                for j in range(img_count):
                    try:
                        image_element = img_elements.nth(j)
                        image_url = image_element.get_attribute('src')
                        if not image_url:
                            # data-srcなどに画像URLが格納されている場合
                            image_url = image_element.get_attribute('data-src')
                        logger.info(f"取得した画像URL (ページ {i}, 画像 {j + 1}): {image_url}")

                        if image_url:
                            # ファイル名にページ番号と画像番号を含め、位取りを適用
                            image_name = f'page_{str(i).zfill(5)}_img_{str(j + 1).zfill(5)}.jpg'
                            save_image_as_jpg(image_url, folder_path, image_name)
                    except Exception as e:
                        logger.error(f"ページ {i}, 画像 {j + 1} の処理中にエラーが発生しました: {e}")
                        continue
            except Exception as e:
                logger.error(f"ページ {i} の画像取得中にエラーが発生しました: {e}")
                continue

        browser.close()
        logger.info("ブラウザを閉じました。")

if __name__ == "__main__":
    if len(sys.argv) < 2:
        logger.error("使用方法: python scrape_images_worker.py <URL>")
        sys.exit(1)

    url = sys.argv[1]  # コマンドライン引数でURLを受け取る
    folder_name = 'scraped_images'  # デフォルトのフォルダ名
    scrape_images_by_page(url, folder_name)