|
| 1 | +{ |
| 2 | + "cells": [ |
| 3 | + { |
| 4 | + "cell_type": "code", |
| 5 | + "execution_count": 1, |
| 6 | + "id": "ebf41e13", |
| 7 | + "metadata": {}, |
| 8 | + "outputs": [], |
| 9 | + "source": [ |
| 10 | + "# crwaling library import\n", |
| 11 | + "\n", |
| 12 | + "from bs4 import BeautifulSoup\n", |
| 13 | + "from selenium import webdriver\n", |
| 14 | + "import requests\n", |
| 15 | + "# 코드 진행 지연을 위한 time 임포트\n", |
| 16 | + "\n", |
| 17 | + "import time\n", |
| 18 | + "# 2022-07 이후 selenium 업데이트로 인한 XPATH 추적 시 사용하는 임포트\n", |
| 19 | + "\n", |
| 20 | + "from selenium.webdriver.common.by import By\n", |
| 21 | + "\n", |
| 22 | + "# file io\n", |
| 23 | + "import codecs" |
| 24 | + ] |
| 25 | + }, |
| 26 | + { |
| 27 | + "cell_type": "markdown", |
| 28 | + "id": "15c52a2a", |
| 29 | + "metadata": {}, |
| 30 | + "source": [ |
| 31 | + "## 순회 크롤러\n", |
| 32 | + "\n", |
| 33 | + "- 같은 양식의 페이지를 순회하면서 자료를 수집해오는 크롤러\n", |
| 34 | + "\n", |
| 35 | + "- 원 페이지 크롤러 제작 후 > 완성된 크롤러를 반복문에 넣어서 만든다\n", |
| 36 | + "\n", |
| 37 | + "> 반복을 어디부터 돌릴지에 대한 파악이 제일 중요!\n", |
| 38 | + "\n", |
| 39 | + "<br>\n", |
| 40 | + "\n", |
| 41 | + "- 순서\n", |
| 42 | + "\n", |
| 43 | + "1. approach N page\n", |
| 44 | + "\n", |
| 45 | + "2. source code crawling\n", |
| 46 | + "\n", |
| 47 | + "3. parsing\n", |
| 48 | + "\n", |
| 49 | + "4. data extraction\n", |
| 50 | + "\n", |
| 51 | + "5. saving in txt file\n", |
| 52 | + "\n", |
| 53 | + "6. move to number 1.\n", |
| 54 | + "\n", |
| 55 | + "> 다음페이지 버튼 XPATH 클릭으로 페이지 넘기기" |
| 56 | + ] |
| 57 | + }, |
| 58 | + { |
| 59 | + "cell_type": "code", |
| 60 | + "execution_count": 63, |
| 61 | + "id": "ef4ec077", |
| 62 | + "metadata": {}, |
| 63 | + "outputs": [ |
| 64 | + { |
| 65 | + "name": "stdout", |
| 66 | + "output_type": "stream", |
| 67 | + "text": [ |
| 68 | + "902\n", |
| 69 | + "902\n", |
| 70 | + "902\n", |
| 71 | + "902\n" |
| 72 | + ] |
| 73 | + } |
| 74 | + ], |
| 75 | + "source": [ |
| 76 | + "# 리스트 형식 페이지 > url 바뀌지 않아도 > F12 + Network menu click > \n", |
| 77 | + "# 리스트 다음 페이지 클릭 > Network 변경사항을 Headers, Payload tab에서 확인 가능\n", |
| 78 | + "chrome_driver = webdriver.Chrome('chromedriver')\n", |
| 79 | + "\n", |
| 80 | + "# approach first page\n", |
| 81 | + "chrome_driver.get(\"https://product.kyobobook.co.kr/bestseller/online?period=001\")\n", |
| 82 | + "\n", |
| 83 | + "# 첫번째 제목 저장 리스트 > 반복문 중지 조건으로 필요\n", |
| 84 | + "check_name_list = list()\n", |
| 85 | + "\n", |
| 86 | + "rank_list = list()\n", |
| 87 | + "title_list = list()\n", |
| 88 | + "price_list = list()\n", |
| 89 | + "author_list = list()\n", |
| 90 | + "\n", |
| 91 | + "time.sleep(6)\n", |
| 92 | + "\n", |
| 93 | + "# 반복문\n", |
| 94 | + "while True:\n", |
| 95 | + " \n", |
| 96 | + " # 끝까지 스크롤 다운 (광고로 페이지 가리기 방지)\n", |
| 97 | + " chrome_driver.execute_script(\"window.scrollTo(0, document.body.scrollHeight);\")\n", |
| 98 | + " \n", |
| 99 | + " # source code crawling\n", |
| 100 | + " source = chrome_driver.page_source\n", |
| 101 | + " \n", |
| 102 | + " # parsing\n", |
| 103 | + " html_parsed_source = BeautifulSoup(source, \"html.parser\")\n", |
| 104 | + "\n", |
| 105 | + " # extract data(span_prod_name) & saving in list\n", |
| 106 | + " \n", |
| 107 | + " ####### Title\n", |
| 108 | + " span_prod_name = html_parsed_source.find_all(\"span\", class_=\"prod_name\") \n", |
| 109 | + " \n", |
| 110 | + " # while문 중지 조건 -> 같은 title이 list에 존재 할 때\n", |
| 111 | + " if (span_prod_name[0].text in check_name_list):\n", |
| 112 | + " chrome_driver.close()\n", |
| 113 | + " break\n", |
| 114 | + " check_name_list.append(span_prod_name[0].text)\n", |
| 115 | + " \n", |
| 116 | + " for title in span_prod_name:\n", |
| 117 | + " title_list.append(title.text) \n", |
| 118 | + " \n", |
| 119 | + " ######## Rank\n", |
| 120 | + " div_prod_rank = html_parsed_source.find_all(\"div\", class_=\"prod_rank\")\n", |
| 121 | + "\n", |
| 122 | + " for rank in div_prod_rank:\n", |
| 123 | + " rank_list.append(rank.text)\n", |
| 124 | + "\n", |
| 125 | + " ######## Price \n", |
| 126 | + " span_val = html_parsed_source.find_all(\"span\", class_=\"val\")\n", |
| 127 | + " \n", |
| 128 | + " for price in span_val:\n", |
| 129 | + " if(price.text == \"0\"):\n", |
| 130 | + " None\n", |
| 131 | + " else:\n", |
| 132 | + " price_list.append(price.text)\n", |
| 133 | + " \n", |
| 134 | + " ######### Author\n", |
| 135 | + " span_prod_author = html_parsed_source.find_all(\"span\", class_=\"prod_author\")\n", |
| 136 | + "\n", |
| 137 | + " for author in span_prod_author:\n", |
| 138 | + " author_list.append(author.text.split(\" ·\")[0])\n", |
| 139 | + " \n", |
| 140 | + " # 다음 페이지 버튼 XPATH로 이동\n", |
| 141 | + " chrome_driver.find_element(By.XPATH, '//*[@id=\"tabRoot\"]/div[4]/div[2]/button[2]').click()\n", |
| 142 | + " \n", |
| 143 | + " time.sleep(6)\n", |
| 144 | + "\n", |
| 145 | + "# extracted data item 개수 일치하는 지 확인\n", |
| 146 | + "book_list = [ title_list, rank_list, price_list, author_list ]\n", |
| 147 | + "\n", |
| 148 | + "for book in book_list:\n", |
| 149 | + " print(len(book))" |
| 150 | + ] |
| 151 | + }, |
| 152 | + { |
| 153 | + "cell_type": "markdown", |
| 154 | + "id": "989f6974", |
| 155 | + "metadata": {}, |
| 156 | + "source": [ |
| 157 | + "> kyobo_traversal.txt\n", |
| 158 | + "\n", |
| 159 | + "<br>\n", |
| 160 | + "\n", |
| 161 | + "> kyobo_traversal.csv" |
| 162 | + ] |
| 163 | + } |
| 164 | + ], |
| 165 | + "metadata": { |
| 166 | + "kernelspec": { |
| 167 | + "display_name": "Python 3 (ipykernel)", |
| 168 | + "language": "python", |
| 169 | + "name": "python3" |
| 170 | + }, |
| 171 | + "language_info": { |
| 172 | + "codemirror_mode": { |
| 173 | + "name": "ipython", |
| 174 | + "version": 3 |
| 175 | + }, |
| 176 | + "file_extension": ".py", |
| 177 | + "mimetype": "text/x-python", |
| 178 | + "name": "python", |
| 179 | + "nbconvert_exporter": "python", |
| 180 | + "pygments_lexer": "ipython3", |
| 181 | + "version": "3.9.12" |
| 182 | + } |
| 183 | + }, |
| 184 | + "nbformat": 4, |
| 185 | + "nbformat_minor": 5 |
| 186 | +} |
0 commit comments