웹 크롤링 기초1

크롤링이란 Web상에 내용 중 필요한 데이터만 추출하는 방법을 의미합니다.

파이썬으로 진행하였고 네이버 영화 사이트내 영화 제목을 크롤링 해보겠습니다.

 

우선 bs 4(BeautifulSoup), requests  패키지를 설치 합니다.

환경 : PyCharm , Mac 사용 

크롤링 기본 문법은 아래와 같습니다. 크롤링시 무조건적으로 들어간다고 생각하시면 되겠습니다.

 

여기서 주의할 점은 크롤링을 원하는 대상의 url을 적어주셔야합니다.

#크롤링 기본 문법 (무조건 들어감)

import requests
from bs4 import BeautifulSoup

# 타겟 URL을 읽어서 HTML를 받아오고 (저는 네이버 영화 URL로 지정하였습니다.)
headers = {'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; Win64; x64)AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36'}
data = requests.get('https://movie.naver.com/movie/sdb/rank/rmovie.naver',headers=headers)

# HTML을 BeautifulSoup이라는 라이브러리를 활용해 검색하기 용이한 상태로 만듦
# soup이라는 변수에 "파싱(데이터를 빼내는 것)이 용이해진 html"이 담긴 상태가 됨
# 이제 코딩을 통해 필요한 부분을 추출하면 된다.

soup = BeautifulSoup(data.text, 'html.parser')

#############################
# (코딩 시작)
#############################

저는 아래 URL에서 영화 제목을 추출해보도록 하겠습니다.

https://movie.naver.com/movie/sdb/rank/rmovie.naver

랭킹 : 네이버 영화

<tr> 태그들에 제목이 들어가있네요 tr 태그에 selector를 아래와 같이 copy 하여 notepad에 붙여 넣어주면 하기와 같이 나오네요.

#old_content > table > tbody > tr:nth-child(2)

이런식으로 copy 되어 나오는데 뒷부분의 :nth-child(2) 는  tr의 자식요소로 지워줍니다.

:nth-child(2) 을 그대로 추출하면 닥터 스트레인지라는 제목만 추출되겠네요

저희가 추출할 값은 tr 태그의 안에 a 태그의 값 즉 "닥터 스트레인지"입니다. 

조건을 넣어줘야겠죠 tr태그 대상으로 for 문 돌리다가 a태그가 있으면 a태그의 내용을 찍어라. 

코드는 아래와 같습니다.

import requests
from bs4 import BeautifulSoup

# 타겟 URL을 읽어서 HTML를 받아오고,
headers = {'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; Win64; x64)AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36'}
data = requests.get('https://movie.naver.com/movie/sdb/rank/rmovie.naver',headers=headers)

# HTML을 BeautifulSoup이라는 라이브러리를 활용해 검색하기 용이한 상태로 만듦
# soup이라는 변수에 "파싱 용이해진 html"이 담긴 상태가 됨
# 이제 코딩을 통해 필요한 부분을 추출하면 된다.
soup = BeautifulSoup(data.text, 'html.parser')

#############################
# (코딩 시작)
#############################

# select를 이용해서, tr들을 불러오기
movies = soup.select('#old_content > table > tbody > tr')

# movies (tr들) 의 반복문을 돌리기
for movie in movies:
    # movie 안에 a 가 있으면,
    a_tag = movie.select_one('td.title > div > a')
    if a_tag is not None:
        # a의 text를 찍어본다.
        print (a_tag.text)

정상적으로 웹크롤링이 된 것을 확인 할 수 있습니다.

 

다음은 크롤링한 data를 database(mongodb)에 넣어보겠습니다.