파이썬 웹크롤링 기초

본 포스팅에서는 파이썬으로  따라할 수 있는 웹 크롤링 방법을 소개한다.

목차는 아래와 같다.

1. BeautifulSoup 시작하기
2. 태그(Tag) 탐색하기
3. 웹사이트 구조 분석하기 (개발자 도구)
4. find_all을 통해 원하는 부분 가져오기
5. CSS 선택자를 통해 원하는 부분 가져오기
6. 텍스트만 읽어오기

---

들어가기에 앞서

일단 웹 사이트라는 걸 이해해야 한다. 기본적으로 웹사이트는 문서다. HTML이라는 형식으로 쓰여진 문서.

그래서 우리는 HTML 문서에 담긴 내용을 가져 오도록 request(요청) 해야 한다. 파이썬에는 애초에 requests라는 라이브러리로 편리하게 사용이 가능하다. (만약 설치가 안 되어 있다면 pip를 통해 설치하고 사용하자.)

이제 아래와 같이 requests.get()안에 url을 넣어서 사용할 수 있다. 예를 들어 당근마켓 인기 중고 매물을 가져오고 싶다면 이렇게.

import requests

 

webpage = requests.get("https://www.daangn.com/hot_articles")

print(webpage.text)

코드를 실행하면 당근마켓 홈 화면의 HTML 문서 전체를 긁어서 출력해준다.

물론 HTML 문서를 제대로 읽으려면 문법을 이해하고 있어야 하겠지만, 너무 깊이 들어가진 말자. 어차피 여기서 필요한 부분만 뽑아내는 방법을 익히면 되는데, 여기서부터가 본격적인 크롤링이다.

1. BeautifulSoup 시작하기

요청한 HTML을 프린트 해보면 매우 길고 지저분하다. 그래서 결국 라이브러리의 힘을 빌려야 한다. HTML 문서를 탐색해서 원하는 부분만 쉽게 뽑아낼 수 있는 파이썬 라이브러리 BeautifulSoup를 사용해보자.

아래와 같이 코드를 추가해봤다.

import requests

from bs4 import BeautifulSoup

 

webpage = requests.get("https://www.daangn.com/hot_articles")

soup = BeautifulSoup(webpage.content, "html.parser")

 

print(soup)

일단 from bs4 import BeautifulSoup로 라이브러리를 불러올 수 있다.

그리고 웹페이지를 요청한 뒤, 여기서 받아낸 문서를 .content로 지정한 후 BeautifulSoup를 통해 soup라는 객체로 저장하면 된다.

여기서 뒤에 "html.parser"라고 덧붙였다. 이외에도 "lxml", "html5lib" 등의 옵션을 사용할 수 있으며 각각의 장단점이 있는데, 어쨌든 자세한 내용은 생략하고 (사실 나도 잘 모르니까) 그냥 일단 html로 하자.

2. 태그(Tag) 탐색하기

HTML 문서를 잘 보면 < > 기호를 활용해서 다양한 태그를 사용한다. HTML 문법까지 설명하면 너무 깊어지니… 넘어가자.

어쨌든 p 태그만 찾아서 출력해보자. 이렇게 하면 첫번째 p 태그를 찾아 준다.

print(soup.p)

<p>당근마켓 앱에서 따뜻한 거래를 직접 경험해보세요!</p>

만약 태그 속성들은 빼고 그 안에 있는 텍스트만 깔끔하게 가져오고 싶다면 이렇게 써주면 된다.

print(soup.p.string)

동네 주민들과 가깝고 따뜻한 거래를 지금 경험해보세요.

이제 h1 태그도 한 번 출력해보자.

print(soup.h1)

그리고 태그는 보통 트리구조로 위계가 있기 때문에 하위 항목을 모두 뽑아오고 싶다면 .children을 사용하면 된다. 예를 들어 ul 태그 안에 리스트가 있다면 이렇게.

for child in soup.ul.children:

print(child)

이용약관개인정보 취급방침위치기반서비스 이용약관광고주센터ABOUT US

당연히 지정된 태그의 상위 항목을 가져올 수도 있다. 이건 .parents를 사용한다. 이건 ul 상위에 있는 body 태그를 출력한 후, 전체 html 까지 추가로 출력한다. 계속 상위로 타고 올라가는 거라 생각하면 된다.

for parent in soup.ul.parents:

print(parent)

이번엔 div 태그 하위에 있는 요소들을 하나씩 출력하려면 이렇게 하면 된다.

for d in soup.div.children:

print(d)

3. 웹사이트 구조 분석하기 (개발자 도구)

위와 같이 태그만으로 텍스트를 뽑아서 웹사이트 구조를 확인하는 건 너무 피곤한 일이다. 그래서 그걸 간편하게 도와줄 개발자 도구를 사용하는 게 좋다. 거의 모든 웹 브라우저는 개발자 도구를 사용할 수 있도록 되어 있다.

크롬에서는 그냥 F12 키를 누르면 바로 창이 뜬다. 내가 마우스를 어디에 갖다대는지에 따라 HTML 문서에서 해당하는 부분을 보여준다. 그러니 우리는 이걸 통해 웹사이트에 포함된 태그들을 확인하면 된다.

4. find_all을 통해 원하는 부분 가져오기

지금까지 태그를 확인하는 감을 익혔다면 이번엔 원하는 부분을 모두 가져올 수 있는 .find_all()을 익힐 차례다.

예를 들어 h2 태그를 모두 찾고 싶다고 하면 이렇게.

print(soup.find_all("h2"))

그러면 결과 값을 리스트로 돌려준다. 이런 식으로

[<h2 class="card-title">컴퓨터.에어컨.프린터.냉장고.책상.의자.서랍장</h2>,
 <h2 class="card-title">20키로 쌀</h2>,
 <h2 class="card-title">서랍장 내놓습니다</h2>,
 <h2 class="card-title">샤넬향수랑 겔랑이딜 각3만원</h2>,
 <h2 class="card-title">김치냉장고</h2>,
 .
 .
 .
 <h2 class="card-title">샤넬 신상 클러치, 프레쉬 블랙티 코르셋크림, 이브퀵 40정, 벤진블록 S플러스</h2>,
 <h2 class="card-title">삼성 노트북</h2>,
 <h2 class="card-title">일괄 구매하실분</h2>,
 <h2 class="card-title">노스페이스 패딩</h2>,
 <h2 class="card-title">이케아 철제 선반</h2>]

싹 다 긁어오는 .find_all()이 유용한 가장 큰 이유는 정규식, html 속성, 함수 등을 사용해서 좀 더 스마트하게 내가 원하는 부분을 추출할 수 있기 때문이다.

1) 정규식 활용하기

예를 들어 <ol>이든 <ul>이든 뭐든 포함된 리스트를 긁어오고 싶다면 이렇게.

import re

soup.find_all(re.compile("[ou]l"))

예를 들어 h1부터 h9까지 헤딩만 다 긁어오고 싶다면 이렇게.

import re

soup.find_all(re.compile("h[1-9]"))

2) 리스트 활용하기

.find_all()를 사용하면 리스트로 원하는 태그들을 지정해서 뽑을 수도 있다. 예를 들어 h1, p 태그만 보고 싶다면 이렇게.

soup.find_all(['h1', 'p'])

3) html 속성 활용하기

html 속성을 지정해서 뽑을 수도 있다. .find_all() 괄호 안에 attrs 파라미터를 지정하면 된다. 딕셔너리 형태로.

만약 introduction-detail이라는 이름의 class만 긁어오고 싶다면 이렇게.

soup.find_all(attrs={'class':'card-title'})

당연히 속성을 여러개 지정하는 것도 가능하다.

soup.find_all(attrs={'class':'footer-list', 'id':'footer-address-list'})

[<ul class="footer-list" id="footer-address-list">
<li class="footer-list-item">사업자 등록번호 : 375-87-00088</li>
<li class="footer-list-item"><address>서울특별시 강남구 테헤란로4길 14 미림타워 14층</address></li>
<li class="footer-list-item"><a href="mailto:team@daangn.com">team@daangn.com</a></li>
</ul>]

4) 함수 활용하기

원하는 부분을 가져오고 싶은데 의외로 조건이나 규칙을 지정하기 까다로울 수도 있다. 그럴 땐 함수를 만들어서 활용할 수 있다.

def search_function(tag):

return tag.attr('class') == "card-title" and tag.string == "Hello World"

 

soup.find_all(search_function)

5. CSS 선택자를 통해 원하는 부분 가져오기

지금까진 html 태그를 중심으로 원하는 부분을 살펴봤지만 이게 생각보다 어려울 수 있다. 해보면 안다. (나만 어렵나.)

그래서 select()를 통해 CSS 선택자를 활용하는 방법이 더 수월할 수도 있다.

class 앞에는 .(점)을 찍어주기

예를 들어 card-region-name이라는 클래스를 가진 요소들만 긁어오고 싶다면 이렇게

soup.select(".card-region-name")

[<div class="card-region-name">    
        경기도 수원시 팔달구 인계동
      </div>,
 <div class="card-region-name">    
        경기도 수원시 팔달구 화서동
      </div>,
 <div class="card-region-name">
        서울 마포구 용강동
      </div>,
 .
 .
 .
 <div class="card-region-name">
        서울 마포구 상암동
      </div>,
 <div class="card-region-name">
        서울 성동구 상왕십리동
      </div>,
 <div class="card-region-name">
        대구 북구 침산동
      </div>]

id앞에는 #(샵)을 찍어주기

예를 들어 hot-articles-go-download라는 id를 가진 요소들만 긁어오고 싶다면 이렇게

soup.select("#hot-articles-go-download")

아무튼 좀 까다롭긴 한데 어떻게든 긁어올 수는 있다.

6. 텍스트만 읽어오기

위에서 학습한 방법으로 어떤 식으로든 내가 원하는 부분을 뒤적거려서 긁어올 순 있는데, 앞 뒤로 태그가 덕지덕지 붙어 있어서 도무지 읽고 처리할 수 있는 형태가 아닐 수도 있다.

정작 내가 원하는 부분은 실제로 쓰여진 텍스트이기 때문에 그 부분만 추출하려면 .get_text()를 사용해야 한다.

아까 위에서 soup.select(".card-title")이라는 걸 통해 class가 card-title인 것들만 리스트로 모아놓았었다. 거기서 텍스트를 뽑아보고 싶다면 이렇게 하면 되겠다. 앞에 10개만 출력해보자.

for x in range(0,10):

print(soup.select(".card-title")[x].get_text())

일단 오늘은 여기까지.

---

여전히 많은 사람들이 크롤링 할 때 BeautifulSoup를 많이 쓰는 것 같긴 한데…

이제 와서 고백하자면 사실 난 이거 안 쓴다. 너무 어렵다. 애초에 내가 웹페이지의 구조를 잘 몰라서 그런 걸 수도 있지만.

대신 웹 브라우저를 아예 동작시킬 수 있는 Selenium(셀레니움)이라는 라이브러리를 사용한다. 이전에 파이썬으로 나라장터 입찰공고 크롤링이라는 포스팅 한 적이 있는데, 이 때도 사실 셀레니움으로 코드를 짰다.