포장빵의 IT

Python 크롤링

Python / 포장빵 / 2020. 7. 8. 14:33

728x90

크롤링(crwaling) : 인터넷에서 데이터를 수집하여 받아오는 것

크롤러 : 크롤링을 하는 프로그램

파싱(parsing) : 데이터에서 필요한 내용만 추출하는 것

urllib 패키지

인터넷에서 데이터를 받아 오늘 기능들이 들어 있다.

BeautifulSoup 모듈

데이터를 추출(파싱)하는데 필요한 기능들이 들어 있다.

크롤링 시작 전 반드시 해당 사이트 url/robots.txt를 확인할 것

robots.txt : 인터넷에서 데이터를 수집하여 받아오는 것

robots.txt에서 반드시 확인할 3가지

User-agent : 다음 규칙이 적용되는 로봇의 이름
Disallow : 차단할 URL 경로
Allow : 차단 된 상위 디렉토리의 하위 디렉토리에 있는 URL경로이며 차단 해제 할 디렉토리

네이버의 robots.txt

[그림1] 네이버의 robots.txt 2020.07.08일

영화진흥위원회 robots.txt

[그림2] 영화진흥위원호 robots.txt 2020.07.08일

urlib

from urllib.request import urlopen
url ="https://www.kofic.or.kr/"
html = urlopen(url)
print(html.read())

[그림3] urllib 예제 출력

BeautifulSoup

from bs4 import BeautifulSoup
from urllib.request import urlopen
url = "https://www.kofic.or.kr/"
html = urlopen(url)
bs_obj = BeautifulSoup(html.read(), "html.parser")
print(bs_obj)

[그림4] BeautifulSoup 예제 출력

태그의 내용(text) 추출하기

# 태그 추출하기

import bs4
html_str= "<html><div>hello</div></html>"
bs_obj = bs4.BeautifulSoup(html_str,"html.parser")
print(bs_obj)
print(bs_obj.find("div"))
print(bs_obj.find("div").text)

[그림5] 태그의 내용 추출 예제 출력

findAll()

import bs4
html_str ="""
<html>
    <body>
        <ul>
            <li>hello</li>
            <li>bye</li>
            <li>welcome</li>
        </ul>
    </body>
</html>
"""
bs_obj = bs4.BeautifulSoup(html_str, "html.parser")
ul = bs_obj.find("ul") # ul태그 찾음
lis = ul.findAll("li") # ul태그안의 li태그 전체 찾기
print(lis)

[그림6] findAll 예제 출력

class 속성

import bs4
html_str ="""
<html>
    <body>
        <ul class= "greet">
            <li>hello</li>
            <li>bye</li>
            <li>welcome</li>
        </ul>
        <ul class = "reply">
            <li>ok</li>
            <li>no</li>
            <li>sure</li>
        </ul>
    </body>
</html>
"""
bs_obj = bs4.BeautifulSoup(html_str, "html.parser")
ul_reply = bs_obj.find("ul",{"class":"reply"})
print(ul_reply)

[그림7] class 속성 예제 출력

태그의 속성값 추출

import bs4
html_str ="""
<html>
    <body>
        <ul class="see">
            <li><a href="https://www.kofic.or.kr">영화진흥위원회</a></li>
        </ul>
        <ul class ="eat">
            <li><a href="http://www.price.go.kr/tprice/portal/main/main.do">한국소비자원참가격</a></li>
        </ul>
    </body>
</html>

"""
bs_obj = bs4.BeautifulSoup(html_str, "html.parser")
atag = bs_obj.find("a")
print(atag['href'])

[그림8] 태그의 속성값 추출 예제 출력

특정 글자 뽑아내기 - 필요한 부분 뽑아내기

[그림9] 특정 부분 뽑아내기.

[그림9] 개발자 모드 소스 코드

import urllib.request
import bs4

url = "https://www.kofic.or.kr/kofic/business/main/main.do"
html = urllib.request.urlopen(url)
bs_obj = bs4.BeautifulSoup(html, "html.parser")
top = bs_obj.find("div",{"class":"gnb"})
print(top)

[그림10] 특정 글자 뽑아내기 예제 출력

728x90

저작자표시 비영리 변경금지

Python 관련 글

글 더보기

티스토리툴바