[Scraping] Web Crowling 이라기 보단 Scraping (beautifulsoup4)

자 묻지도 따지지도 말고 라이브러리 부터 다운 받읍시다

pip install beautifulsoup4
pip install lxml

저 두번째 꺼는 엘 엑스 엠 엘 임ㅇㅇ...

 

자 네이버 웹툰의 url을 가져 옵시다

https://comic.naver.com/webtoon/weekday

import requests
from bs4 import BeautifulSoup

url  = "https://comic.naver.com/webtoon/weekday"
res = requests.get(url)
res.raise_for_status #못가져올시 프로그램 종료되게

soup = BeautifulSoup(res.text, "lxml")

마지막 줄은 우리가 url 로 가져온 res를 lxml을 통해서 BeatifulSoup 객체로 만듬

이러면 soup에 모든 정보를 가지고 있다

 

다음과 같은 예시를 보자

print(soup.title)

다음과 같이 있고 이를 확인해보면

저 부분을 그대로 가져온 것을 볼 수 있다

 

글자만 빼고 싶으면 

 

print(soup.title.get_text())

 

링크들이 걸려있는 a를 확인해보자

모든 a를 가져오는 것이 아니라 첫 번째로 발견되는 a 를 출력해준다

이거이겠죠/??

하지만 저러면 속성만 보고 싶을때 불편하다

print(soup.a.attrs)

조금 더 깔끔하게 볼 수있다 (딕셔너리 형태로)

접근은 딕셔너리 처럼

print(soup.a["href"])

 

정리

• soup.a : soup객체에서 처음 발견되는 a element
• soup.a.attrs : a element의 속성 정보
• soup.a["속성값"] : a element의 href 속성 '값' 정보

 

하지만 이 페이지에 대해 이해를 기반하는데 난 웹 잘 몰라!!!

 

find()

저 웹툰 올리기 버튼을 가지고 오고 싶다고 가정하자

오 class= "Nbtn_upload" 가 고유값일거 같은걸?

 

soup.find("a")

a tag에 해당하는 첫 번째 엘리먼트를 가져온다

그래서 내가 원하는 것이 아닌 첫 번째를 가져오게 된다

 

이를  막으려면

 

조건을 추가하면 더 정확하겠죠 ??

print(soup.find("a", attrs = {"class" : "Nbtn_upload"}))

-> class = "Nbtn_upload"인 a element를 찾아줘

사실 Nbtn_upload는 한개여서 "a" tag를 굳이 안적어도 된다

print(soup.find(attrs = {"class" : "Nbtn_upload"}))

class = "Nbtn_upload"인  어떤 element를 찾아줘

 

이번엔

인기 급상승 1위를 가져온다 가정해 보자

 

element 이름은 li tag 인 것을 볼 수 있다

print(soup.find("li", attrs = {"class" : "rank01"}))

오우 쉿 ;; 연애혁명 가져옴!!

 

근데 나는 링크만 알면 되는 걸...

그럴땐 링크가 a 였으므로

rank1 = soup.find("li", attrs = {"class" : "rank01"})
print(rank1.a)

a href 에대한 정보만 가져왔다

 

 

"Soup 도 tree 구조 이다" (부모 형제 자식 존재)

next_sibling : 다음 element를 불러옴 

 

다음 코드를 실행시켜보자

import requests
from bs4 import BeautifulSoup

url  = "https://comic.naver.com/webtoon/weekday"
res = requests.get(url)
res.raise_for_status #못가져올시 프로그램 종료되게

soup = BeautifulSoup(res.text, "lxml")
rank1 = soup.find("li", attrs = {"class" : "rank01"})
print(rank1.a.get_text())
print("-------------------")
print(rank1.next_sibling)#다음 element로 넘어감
print("-------------------")
print(rank1.next_sibling.next_sibling)

중간 sinbling은 중간에 개행 정보 등에 의해 아무 정보도 출력되지 않은 것을 볼 수 있다

 

이렇게 인기순위 10개를 가져올 수 있다

다음을 가져오는 코드를 간단히 짜보면

import requests
from bs4 import BeautifulSoup

url  = "https://comic.naver.com/webtoon/weekday"
res = requests.get(url)
res.raise_for_status #못가져올시 프로그램 종료되게

soup = BeautifulSoup(res.text, "lxml")
tmp = soup.find("li", attrs = {"class" : "rank01"})
for rank in range (1,11):
    print("rank", rank, " : " ,tmp.a.get_text())
    tmp = tmp.next_sibling.next_sibling

정상적으로 가져올 수 있는 것을 볼 수 있다

 

반대 과정은

previous_sibling : 이전 element를 불러옴 

import requests
from bs4 import BeautifulSoup

url  = "https://comic.naver.com/webtoon/weekday"
res = requests.get(url)
res.raise_for_status #못가져올시 프로그램 종료되게

soup = BeautifulSoup(res.text, "lxml")
rank1 = soup.find("li", attrs = {"class" : "rank01"})

print(rank1.a.get_text())
print("-------------------")
print(rank1.next_sibling)#다음 element로 넘어감
print("-------------------")
print(rank1.next_sibling.previous_sibling.a.get_text())

내려왔다가 다시 올라간것을 확인 할 수 있다

 

근데 저 개행때문에 개빡치는게

print(rank1.a.get_text())
print("-------------------")
print(rank1.next_sibling.a.get_text())#다음 element로 넘어감
print("-------------------")
print(rank1.next_sibling.previous_sibling.a.get_text())

를 한다면

중간에는 a 가 없어서 오류가 난다

 

이를 해결하는 것이

find_next_sibling()

 

next sibling 이긴 한데 조건에 맞는 녀석만 찾아줌

print(rank1.a.get_text())
print("-------------------")
print(rank1.find_next_sibling("li").a.get_text())#다음 element로 넘어감
print("-------------------")
print(rank1.next_sibling.previous_sibling.a.get_text())

다음과 같이 적으면 li 가 있는 녀석만 가져오기 때문에

오류가 해결이 된다

 

이를 통해 위의 코드를 좀더 깔끔하게 나타내면 (솔직히 next_sibling.next_sibling은 오바자나)

import requests
from bs4 import BeautifulSoup

url  = "https://comic.naver.com/webtoon/weekday"
res = requests.get(url)
res.raise_for_status #못가져올시 프로그램 종료되게

soup = BeautifulSoup(res.text, "lxml")
tmp = soup.find("li", attrs = {"class" : "rank01"})
for rank in range (1,11):
    print("rank", rank, " : " ,tmp.a.get_text())
    tmp = tmp.find_next_sibling("li")

로 바꿀 수 있다

 

당연히 find_previous_sibling도 있다

 

근데 내가 순위가 10개인지 어떻게 알아!!

그래서 사용하는 것이

 

find_next_siblings -> 형제들을 가져와줌

import requests
from bs4 import BeautifulSoup

url  = "https://comic.naver.com/webtoon/weekday"
res = requests.get(url)
res.raise_for_status #못가져올시 프로그램 종료되게

soup = BeautifulSoup(res.text, "lxml")
tmp = soup.find("li", attrs = {"class" : "rank01"})
print(tmp.find_next_siblings("li"))

 

find 의 또다른 기능은

 

<a onclick="nclk_v2(event,'rnk*p.cont','570503','1')" href="/webtoon/detail?titleId=570503&amp;no=429" title="연애혁명-424. Matters">연애혁명-424. Matters</a>

 

인데 여기에서 <a 로 열고 </a>로 닫은 것 중

<a onclick="nclk_v2(event,'rnk*p.cont','570503','1')" href="/webtoon/detail?titleId=570503&amp;no=429" title="연애혁명-424. Matters">연애혁명-424. Matters</a>

 

이 부분이 text 이다

 

그래서 print를

import requests
from bs4 import BeautifulSoup

url  = "https://comic.naver.com/webtoon/weekday"
res = requests.get(url)
res.raise_for_status #못가져올시 프로그램 종료되게

soup = BeautifulSoup(res.text, "lxml")
tmp = soup.find("a",text = "연애혁명-424. Matters")
print(tmp)

이렇게 해서

역으로 찾아낼 수 있다

 

parent : element의 부모를 불러옴 

print(rank1.parent)

출력은 길어서 생략

 

 

진도체크

chapter 11까지 들음