[2018 데이터야놀자] 웹크롤링 좀 더 잘하기

웹 크롤링 좀 더 잘하기
2018. 10. 19
2018 데이터야 놀자
University of seoil
Computer electronic
Wangwon Lee
College
Major
Name

Contents
 발표자 소개
 이런 이야기를 하고 싶어요!
 웹 크롤링 개요
 기본적인 웹 크롤링
 동적 페이지 개요
 동적 페이지 크롤링
 마무리

발표자 소개 - 이왕원
 전자부품연구원 인공지능연구센터 위촉연구원
 서일대학교 소프트웨어 공학과 재학 중
 실시간 데이터 수집 프로젝트인 KoShort 컨트리뷰터
 아직 많이 부족합니다. 여러분께 많이 배우고 싶어요!

발표자 소개 - 이왕원
 전자부품연구원 인공지능연구센터 위촉연구원
 서일대학교 소프트웨어 공학과 재학 중
 실시간 데이터 수집 프로젝트인 KoShort 컨트리뷰터
 아직 많이 부족합니다. 여러분께 많이 배우고 싶어요!
웹 크롤링은 자료 찾기가 너무 힘들어서
제가 먼저 공유하고자 이렇게 발표하게 되었어요.
이걸 계기로 웹크롤링도 많은 정보 공유가 있었으면 해요. 

이런 이야기를 하고 싶어요!
 차근차근 짚어보는 웹크롤링의 흐름
 데이터 수집 및 정제 실무를 하면서 느낀 이상과 현실
 구글이나 책에서는 찾을 수 없는 꿀팁 공유!
 실시간 데이터 수집 오픈소스 Koshort 홍보

이런 이야기를 하고 싶어요!
페이지 측에서
제공하는 API가
있는가?
성능보다
생산성이 우선읶가?
웹드라이버를
사용하지 않는 것만으로
해결 가능한가?
- Case 3 - - Case 4 - - Case 5 -
오늘은 이 흐름을 토대로 웹 크롤링을 차근차근 짚어볼거에요
Yes
No
- Case 2 -- Case 1 -
정보는 다 있는데
브라우저와 소스가
다른가?
페이지를 가져왔을 때
모든 정보가 다
있는가?
No
No
No
No
Yes
Yes
Yes
Yes
정적 페이지 동적 페이지

웹 크롤링 개요
흔한 웹 크롤러의 흐름.jpg

HTTP에는, GET과 POST와 같은 메소드가 있는데

GET은 가져오는 동작, POST는 수행하는 동작
을 위해 설계되었어요.

우리가 쓰는 웹 브라우저라는 친구들은

HTML 소스를 해석해서 웹 페이지를 그려주는 역할을 해요
표시된 화면 HTML 소스

따라서 브라우저 주소 창에 주소를 입력하고 엔터를 치는 것은
+

주소에 할당된 웹 서버로 GET 요청을 보내서
웹 페이지를 가져오는 동작이에요

음… Request 모듈로
대상 사이트에 get 요청을 해서
HTML 소스를 받아오고,
BeautifulSoup로 원하는 부붂만
파싱해서 쓰면 되겠지…?
통상적인 웹 크롤러 또한 같은 원리로,
GET 메소드를 통해 웹 페이지를 가져와서,
원하는 부붂만 뽑아 쓰는 개념이에요.

음… Request 모듈로
대상 사이트에 get 요청을 해서
HTML 소스를 받아오고,
BeautifulSoup로 원하는 부붂만
파싱해서 쓰면 되겠지…?
통상적인 웹 크롤러 또한 같은 원리로,
GET 메소드를 통해 웹 페이지를 가져와서,
원하는 부붂만 뽑아 쓰는 개념이에요.
이제 실제 사례를 통해 한 번 알아볼게요!~

기본적인 웹 크롤링
- Case 1 -
페이지를 받아오면 정보가 그대로 있는 경우
네이버 인기검색어

- Case 1 -
페이지를 받아오면 정보가 그대로 있는 경우
네이버 인기검색어
HTML 태그와 그에 따른 속성(class, id 등)을 토대로
필요한 정보만 파싱해서 추출.

유튜브 실시간 인기 동영상
- Case 2 -
정보는 다 있는데, 브라우저 상에서와 내가 받은 소스가 다른 경우

- Case 2 -
정보는 다 있는데, 브라우저 상에서와 내가 받은 소스가 다른 경우
당황하지 말고, user-agent를 변경해보자!
(보통 ‘i-explorer’가 디폴트인 경우가 많음)

- Case ? -
내가 받은 페이지에서는 정보가 일부만 있거나 아예 앆보이는 경우
- Vogue Korea -
- Google Trend -
- Reddit -
- Facebook -

- Case ? -
내가 받은 페이지에서는 정보가 일부만 있거나 아예 앆보이는 경우
- Vogue Korea -
- Google Trend -
- Reddit -
- Facebook -
일단 Javascript를 비홗성화 시켜보자!

만약 크롬 개발자 도구에서 자바스크립트를 비홗성화 했을 때
웹브라우저 상에서도 동일한 증상이 보인다면?
F5
구글 트렌드

만약 크롬 개발자 도구에서 자바스크립트를 비홗성화 했을 때
웹브라우저 상에서도 동일한 증상이 보인다면?
F5
구글 트렌드
이건 100% 동적 페이지!

동적 페이지 개요
페이지가 Javascript를 통해 동적으로 렌더링되는 경우에는
정적:
동적:

아까 말한 단순한 방식으로는 크롤링할 수 없어요 ㅠㅜ
- 페이지를 받아오면 아무 정보도 없는 경우 -
Google trend, 과거의 youtube 등이
대표적.
HTML로 페이지의 틀을 잡고, 페이지가 로딩
되면서 동적으로 정보를 받아서 표시하는 방식.
- 페이지를 받아오면 일부의 정보만 있는 경우 -
Facebook, naver datalab, vogue korea
등 대부붂의 사이트가 이런 식.
처음에는 일부붂의 정보만 표시하고 이후에
사용자가 정보를 더 요청하는 동작을 한다면
추가적으로 정보를 받아서 표시하는 방식.
- Google Trend -
- Facebook -

물론 포기하라는 법은 없기에 다 방법이 있는데요.

좀 해보싞 고수님들은 흐름상 이 생각을 하고 계시겠지만
웹 드라이버 (Web Driver): 웹브라우저 UI 테스팅 툴.
‘동적 로딩 지원+브라우징 자동화’라는 장점으로 크롤링 할 때 많이 쓰임.

Web Driver: 웹브라우저 UI 테스팅 툴.
‘동적 로딩 지원+브라우징 자동화 가능’이라는 장점으로 웹 크롤링 할 때 많이 쓰임.
오늘은 웹드라이버를 쓰지 않고 이 문제를 해결하는 것도 다룰거에요.
(웹드라이버 쓰는 건 다들 많이 아시니깐;;)

Web Driver: 웹브라우저 UI 테스팅 툴.
‘동적 로딩 지원+브라우징 자동화 가능’이라는 장점으로 웹 크롤링 할 때 많이 쓰임.
오늘은 웹드라이버를 쓰지 않고 이 문제를 해결하는 것도 다룰거에요.
(웹드라이버 쓰는 건 구글링하면 금방 찾으니깐;;)
그러면 이제부터 동적 페이지 수집 방법과,
그에 따른 장·단점을 같이 알아봐요!

동적 페이지 크롤링
페이지 측에서
제공하는 API가
있는가?
성능보다
웹드라이버를
- Case 3 - - Case 4 - - Case 5 -
동적 페이지를 크롤링하기 젂에, 저 3가지를 꼭 체크해보는 것이 중요해요.
Yes
No
No
Yes
Yes
No

- Case 3 -
페이지에서 제공하는 API가 있는 경우 => API 홗용

유튜브, 페이스북같은 경우는
자체적으로 제공하는 ‘Data API’가 존재해요

유튜브, 페이스북같은 경우는
자체적으로 제공하는 ‘Data API’가 존재해요
장점 : 싞뢰도 보장, 빠름
단점 : API 키 필요, 쓰는법 배워야 함;;
이거 있는 줄 모르고 삽질하다가 나중에 발견하면 복장터짐

웹 드라이버 (Web Driver): 웹브라우저 UI 테스팅 툴.
‘동적 로딩 지원+브라우징 자동화’라는 장점으로 크롤링 할 때 많이 쓰임.
- Case 4 -
성능보다 생산성이 우선인 경우 => 웹 드라이버(Web Driver)

가져오려는 데이터가 그리 크지 않으면서 한 번 쓰고 버릴 용도와 같이
성능보다는 일단 당장 되는 것을 만들어야 할 경우 뿐만 아니라
참고 영상
오명운님 - Selenium 테스트 영상

그냥 귀찮을 때 보통 동적 페이지 수집할 때는 이걸 많이 써요.
참고 영상
How to Web Scrape with Python (Selenium/ChromeDriver)

그냥 귀찮을 때 보통 동적 페이지 수집할 때는 이걸 많이 써요.
참고 영상
How to Web Scrape with Python (Selenium/ChromeDriver)
장점 : 생산성, 익혀놓으면 웹페이지 반복작업에도 쓸 수 있음
단점 : 느림, 무거움, Python과 독립된 도구 필요
, 네트워크 상태의 영향을 크게 받음

보그 코리아 구글 트렌드
- Case 5 -
최적화가 필요한 경우 => 네트워크 리버싱을 통한 데이터 송·수싞 구조 추정
Koshort

보그 코리아, 구글 트렌드와 같이 점진적으로 로딩되는 페이지에서
실시갂·지속적인 데이터 수집이 필요한 경우나
보그 코리아 구글 트렌드

Koshort
저처럼 라이브러리로서 사람들에게 제공해야할 때와 같이
특수한 케이스가 왕왕 있어요
라이브러리라는 특성 상 ‘API 키’, ‘웹드라이버’와 같이
파이썬에 독립적인 요소를 사용하는 것은 최대한 피해야 하며,
생산 시간이 더 들더라도 성능을 최대화해야 함.

Koshort
저처럼 라이브러리로서 사람들에게 제공해야할 때와 같이
특수한 케이스가 왕왕 있어요
라이브러리라는 특성 상 ‘API 키’, ‘웹드라이버’와 같이
파이썬에 독립적인 요소를 사용하는 것은 최대한 피해야 하며,
생산 시간이 더 들더라도 성능을 최대화해야 함.
지금부터 이럴 때 사용하는 방법을 같이 알아봐요!

- Case 5-1 -
페이지를 받아왔는데, 정보가 일부 밖에 없는 경우
보그 코리아

- Case 5-1 -
페이지를 받아왔는데, 정보가 일부 밖에 없는 경우
보그 코리아
데이터가 로딩되는 시점의 Ajax 요청을 붂석한다!

많은 사이트에서 처음에는 일부 데이터만 보여주다가
‘스크롤 다운’ 동작이나 ‘더 로드하기’ 버튺 등을 통해서
동적으로 사이트를 보여주는 방식을 사용하는데요.
Scroll down!
Data Load!

이런 경우에는 데이터가 로딩되는 동작을 한 시점의
Ajax 요청을 보면서 그 데이터가 어디서 오는 지 붂석해요.
이 사이트의 경우에는 URL의 특정 엔드포인트를 통해서
데이터를 요청한다는 것을 알 수 있어요 

시험삼아 10페이지 정도 크롤링 해 봤을 때,
무려 3배 가까운 성능 향상을 보였다는 사실!
웹드라이버 사용 : 52[s] 웹드라이버 미사용 : 17[s]

시험삼아 10페이지 정도 크롤링 해 봤을 때,
무려 3배 가까운 성능 향상을 보였다는 사실!
테스트는 데스크탑 유선랜 홖경에서 실행하였고,
네트워크 홖경에 따라서 결과가 달라질 수 있어요!
멀티스레딩, 멀티프로세싱 등으로 붂산처리를 구현한다면,
더 높은 퍼포먼스를 기대할 수 있어요 

- Case 5-2 -
페이지를 받아왔는데, 정보가 하나도 없는 경우
구글 트렌드

- Case 5-2 -
페이지를 받아왔는데, 정보가 하나도 없는 경우
구글 트렌드
처음 페이지가 로딩되는 시점부터
Ajax 요청 흐름을 따라가며 파악한다!

정적인 HTML은 틀을 만드는 용도로만 쓰고,
데이터는 모조리 JS로 처리하는 방식인데요.

구글 트렌드의 실시갂 급상승 검색어의 경우,
페이지를 로드하면 일단 키워드에 해당하는 젂체 리스트를 가져오고
구글 트렌드

그 리스트의 요소들을 하나씩 요청해서 가져오는 방식이에요.
구글 트렌드

역시나 이 경우에도 9배 정도의 향상을 확인할 수 있었어요!
이 경우도 멀티스레딩 등을 통해서 더 최적화가 가능하답니다 

역시나 이 경우에도 9배 정도의 향상을 확인할 수 있었어요!
이 경우도 멀티스레딩 등을 통해서 더 최적화가 가능하답니다 
장점 : 빠름, 가벼움
단점 : 번거로움;;, 웹개발에 대한 지식 필요

마무리

마무리
이면 참 좋으렦만……

마무리
페이지 측에서
제공하는 API가
있는가?
성능보다
웹드라이버를
- Case 3 - - Case 4 - - Case 5 -
오늘 얘기하지 못한 것도, 앞으로 헤쳐나가야 할 것도 너무너무 많아요 ㅠㅠ
Yes
No
다른가?
있는가?
No
No
No
No
Yes
Yes
Yes
Yes
앞으로의 험난한 여정

마무리
페이지 측에서
제공하는 API가
있는가?
성능보다
웹드라이버를
- Case 3 - - Case 4 - - Case 5 -
오늘 얘기하지 못한 것도, 앞으로 헤쳐나가야 할 것도 너무너무 많아요 ㅠㅠ
Yes
No
다른가?
있는가?
No
No
No
No
Yes
Yes
Yes
Yes
앞으로의 험난한 여정그래서 여러붂께 많이 배우고자 해요……

마무리
잘 부탁 드립니다 ㅠㅠ

마무리
잘 부탁 드립니다 ㅠㅠ
https://github.com/BbChip0103/2018_datayanolja_webcrawling.git
Case 5의 소스코드는 여기서 확인하실 수 있어요 

[2018 데이터야놀자] 웹크롤링 좀 더 잘하기

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to [2018 데이터야놀자] 웹크롤링 좀 더 잘하기

Similar to [2018 데이터야놀자] 웹크롤링 좀 더 잘하기 (20)

[2018 데이터야놀자] 웹크롤링 좀 더 잘하기