def press_crawling(self, oid=215, aid=20):
headers = {'User-Agent': 'Mozilla/5.0'}
writer = Writer_press(category_name="aid123")
url = 'https://sports.news.naver.com/news.nhn?'
oid = 'oid=' + str(oid)
#여기서 입력받은 oid(언론사 id)를 지정할 거에요
for i in tqdm(range(1, aid), desc="Crawling rate", mininterval=0.01):
#print(i)
aid = str(i)
aid_length = len(aid)
aid = '&aid=' + '0' * (10 - aid_length) + aid
url1 = url + oid + aid
b = requests.get(url1, headers=headers)
#print(url1)
document = BeautifulSoup(b.content, 'html.parser')
tag_content = document.find_all('div', {'id': 'newsEndContents'})
text_sentence = ''
text_sentence = text_sentence + ArticleParser.clear_content(
str(tag_content[0].find_all(text=True)))
#print(text_sentence)
headline = ''
tag_headline = document.find_all('h4', {'class': 'title'})
headline = headline + ArticleParser.clear_headline(
str(tag_headline[0].find_all(text=True)))
article_info = document.find_all('div', {'class': 'info'})
#여기서 article info 정제 작업을 하며 좋을 것 같아요.
writer.wcsv.writerow([headline, text_sentence, url1])
print()
writer.close()
'''
def get_sentence_from_document(self, document):
tag_content = document.find_all('div', {'id': 'articleBodyContents'})
text_sentence = '' # 뉴스 기사 본문 초기화
text_sentence = text_sentence + ArticleParser.clear_content(
str(tag_content[0].find_all(text=True)))
if not text_sentence or len(text_sentence) < 500: # 공백일 경우 기사 제외 처리
return None
else:
return text_sentence
def Keyword_crawling(self, keyword):
headers = {'User-Agent': 'Mozilla/5.0'}
url = 'https://search.naver.com/search.naver?sm=tab_hty.top&where=news&query='
url = url + keyword
list_a = []
for i in tqdm(range(0, 20), desc="append url list", mininterval=0.01):
s_num = "&start=" + str(i) + "1"
b = requests.get(url + s_num, headers=headers)
document = BeautifulSoup(b.content, 'html.parser')
writer = Writer_press(category_name='_' + keyword,
text_c="Keyword_crawling")
list_url = document.select('.list_news .info')
for line in list_url:
list_a.append(line.get('href'))
#print(line.get('href'))
print('')
list_b = []
list_c = []
for line in list_a:
if (line == None):
continue
elif (line.find('naver') != -1):
list_b.append(line)
for line in list_b:
fnum = line.find('oid')
if len(line[fnum:]) == 22:
list_c.append(line[fnum:])
url = 'https://sports.news.naver.com/news.nhn?'
list_num = len(list_c)
print(list_c)
for i in tqdm(range(0, list_num),
desc="Crawling rate",
mininterval=0.01):
print('')
url_a = url + list_c[i]
b = requests.get(url_a, headers=headers)
document = BeautifulSoup(b.content, 'html.parser')
tag_content = document.find_all('div', {'id': 'newsEndContents'})
if len(tag_content) != 0:
text_sentence = ''
text_sentence = text_sentence + ArticleParser.clear_content(
str(tag_content[0].find_all(text=True)))
headline = ''
tag_headline = document.find_all('h4', {'class': 'title'})
if (len(tag_headline) != 0):
headline = headline + ArticleParser.clear_headline(
str(tag_headline[0].find_all(text=True)))
if headline == '':
headline = '-'
article_info = document.find_all('div', {'class': 'info'})
writer.wcsv.writerow(
[headline + '\t' + text_sentence + '\t' + url_a])
def press_crawling(self, oid, aid, name):
headers = {'User-Agent': 'Mozilla/5.0'}
url = 'https://sports.news.naver.com/news.nhn?'
writer = Writer_press(category_name=str(aid), text_c=name)
self.writer = writer
oid = 'oid=' + oid
for i in tqdm(range(1, aid), desc="Crawling rate", mininterval=0.01):
self.num += 1
aid = str(i)
aid_length = len(aid)
aid = '&aid=' + '0' * (10 - aid_length) + aid
url1 = url + oid + aid
b = requests.get(url1, headers=headers)
#print(url1)
document = BeautifulSoup(b.content, 'html.parser')
tag_content = document.find_all('div', {'id': 'newsEndContents'})
if len(tag_content) != 0:
#print(url1)
text_sentence = ''
text_sentence = text_sentence + ArticleParser.clear_content(
str(tag_content[0].find_all(text=True)))
#print(text_sentence)
headline = ''
tag_headline = document.find_all('h4', {'class': 'title'})
headline = headline + ArticleParser.clear_headline(
str(tag_headline[0].find_all(text=True)))
article_info = document.find_all('div', {'class': 'info'})
#여기서 article info 정제 작업을 하며 좋을 것 같아요.
#====================================================
#기사 입력 시간 정보 받기
input_time = str(article_info[0])
iTime = ""
iTime = self.inputTime(input_time)
#print("\n")
#print(iTime)
#===================================================
if headline == '':
headline = '-'
writer.wcsv.writerow([
headline + '\t' + text_sentence + '\t' + url1 + '\t' +
iTime
])
print()
writer.close()
'''
def get_news_content(n_url):
breq = requests.get(n_url)
bsoup = BeautifulSoup(breq.content, 'html.parser')
_text = bsoup.select('#articleBodyContents')[0].get_text().replace(
'\n', " ")
btext = _text.replace(
"// flash 오류를 우회하기 위한 함수 추가 function _flash_removeCallback() {}", "")
get_content = ''
get_content = get_content + ArticleParser.clear_content(btext)
if not get_content:
return None
return get_content
class ArticleCrawler(object):
def __init__(self):
self.parser = ArticleParser()
self.categories = {'정치': 100, '경제': 101, '사회': 102, '생활문화': 103, 'IT과학': 105}
self.selected_categories = []
self.date = {'start_year': 0, 'end_year': 0, 'end_month': 0}
def set_category(self, *args):
for key in args:
if self.categories.get(key) is None:
raise InvalidCategory(key)
self.selected_categories = args
def set_date_range(self, start_year, end_year, end_month):
args = [start_year, end_year, end_month]
if start_year > end_year:
raise InvalidYear(start_year, end_year)
if end_month < 1 or end_month > 12:
raise InvalidMonth(end_month)
for key, date in zip(self.date, args):
self.date[key] = date
print(self.date)
def make_news_page_url(self, category_url, start_year, last_year, start_month, last_month):
maked_url = []
final_startmonth = start_month
final_lastmonth = last_month
for year in range(start_year, last_year + 1):
if year != last_year:
start_month = 1
last_month = 12
else:
start_month = final_startmonth
last_month = final_lastmonth
for month in range(start_month, last_month + 1):
for month_day in range(1, calendar.monthrange(year, month)[1] + 1):
url = category_url
if len(str(month)) == 1:
month = "0" + str(month)
if len(str(month_day)) == 1:
month_day = "0" + str(month_day)
url = url + str(year) + str(month) + str(month_day)
final_url = url # page 날짜 정보만 있고 page 정보가 없는 url 임시 저장
# totalpage는 네이버 페이지 구조를 이용해서 page=1000으로 지정해 totalpage를 알아냄
# page=1000을 입력할 경우 페이지가 존재하지 않기 때문에 page=totalpage로 이동 됨
totalpage = self.parser.find_news_totalpage(final_url + "&page=1000")
for page in range(1, totalpage + 1):
url = final_url # url page 초기화
url = url + "&page=" + str(page)
maked_url.append(url)
return maked_url
def crawling(self, category_name):
# MultiThread PID
print(category_name + " PID: " + str(os.getpid()))
# 각 카테고리 기사 저장 할 CSV
file = open('Article_' + category_name + '.csv', 'w', encoding='euc_kr', newline='')
wcsv = csv.writer(file)
# 기사 URL 형식
url = "http://news.naver.com/main/list.nhn?mode=LSD&mid=sec&sid1=" + str(
self.categories.get(category_name)) + "&date="
# start_year년 1월 ~ end_year의 end_mpnth 날짜까지 기사를 수집합니다.
final_urlday = self.make_news_page_url(url, self.date['start_year'], self.date['end_year'], 1, self.date['end_month'])
print(category_name + " Urls are generated")
print("The crawler starts")
for URL in final_urlday:
regex = re.compile("date=(\d+)")
news_date = regex.findall(URL)[0]
request = requests.get(URL)
document = BeautifulSoup(request.content, 'html.parser')
tag_document = document.find_all('dt', {'class': 'photo'})
post = []
for tag in tag_document:
post.append(tag.a.get('href')) # 해당되는 page에서 모든 기사들의 URL을 post 리스트에 넣음
for content_url in post: # 기사 URL
# 크롤링 대기 시간
sleep(0.01)
# 기사 HTML 가져옴
request_content = requests.get(content_url)
document_content = BeautifulSoup(request_content.content, 'html.parser')
try:
# 기사 제목 가져옴
tag_headline = document_content.find_all('h3', {'id': 'articleTitle'}, {'class': 'tts_head'})
text_headline = '' # 뉴스 기사 제목 초기화
text_headline = text_headline + self.parser.clear_headline(str(tag_headline[0].find_all(text=True)))
if not text_headline: # 공백일 경우 기사 제외 처리
continue
# 기사 본문 가져옴
tag_content = document_content.find_all('div', {'id': 'articleBodyContents'})
text_sentence = '' # 뉴스 기사 본문 초기화
text_sentence = text_sentence + self.parser.clear_content(str(tag_content[0].find_all(text=True)))
if not text_sentence: # 공백일 경우 기사 제외 처리
continue
# 기사 언론사 가져옴
tag_company = document_content.find_all('meta', {'property': 'me2:category1'})
text_company = '' # 언론사 초기화
text_company = text_company + str(tag_company[0].get('content'))
if not text_company: # 공백일 경우 기사 제외 처리
continue
# CSV 작성
wcsv.writerow([news_date, category_name, text_company, text_headline, text_sentence, content_url])
except Exception as ex: # UnicodeEncodeError ..
pass
file.close()
def start(self):
# MultiThread 크롤링 시작
for category_name in self.selected_categories:
proc = Process(target=self.crawling, args=(category_name,))
proc.start()
import requests
from bs4 import BeautifulSoup
from articleparser import ArticleParser
headers = {'User-Agent': 'Mozilla/5.0'}
b = requests.get(
'https://sports.news.naver.com/news.nhn?oid=215&aid=0000918970',
headers=headers)
document = BeautifulSoup(b.content, 'html.parser')
tag_content = document.find_all('div', {'id': 'newsEndContents'})
text_sentence = ''
text_sentence = text_sentence + ArticleParser.clear_content(
str(tag_content[0].find_all(text=True)))
headline = ''
headline = headline + ArticleParser.clear_headline(
str(document.find_all('h4', {'class': 'title'})))
article_info = document.find_all('div', {'class': 'info'})
# text_sentence는 기사 본문을 저장한 값
# headline은 기사 제목을 저장한 값
'''
article_info는 기사 정보를 저장한 값
[<div class="info">
<span>기사입력 2020.11.30. 오전 08:05</span>
<span><span class="bar"></span>최종수정 2020.11.30. 오전 08:07</span>
<a class="press_link" href="http://www.wowtv.co.kr/NewsCenter/News/Read?articleId=A202011300032&t=NN" target="_blank">기사원문</a>
</div>]
와 같은 형식으로 저장되어있음
'''
def crawling(self, category_name):
# Multi Process PID
print(category_name + " PID: " + str(os.getpid()))
writer = Writer(category_name=category_name, date=self.date)
# 기사 URL 형식
url = "http://news.naver.com/main/list.nhn?mode=LSD&mid=sec&sid1=" + str(
self.categories.get(category_name)) + "&date="
# start_year년 start_month월 ~ end_year의 end_month 날짜까지 기사를 수집합니다.
day_urls = self.make_news_page_url(url, self.date['start_year'],
self.date['end_year'],
self.date['start_month'],
self.date['end_month'])
print(category_name + " Urls are generated")
print("The crawler starts")
for URL in day_urls:
regex = re.compile("date=(\d+)")
news_date = regex.findall(URL)[0]
request = self.get_url_data(URL)
document = BeautifulSoup(request.content, 'html.parser')
# html - newsflash_body - type06_headline, type06
# 각 페이지에 있는 기사들 가져오기
post_temp = document.select(
'.newsflash_body .type06_headline li dl')
post_temp.extend(document.select('.newsflash_body .type06 li dl'))
# 각 페이지에 있는 기사들의 url 저장
post = []
for line in post_temp:
post.append(line.a.get(
'href')) # 해당되는 page에서 모든 기사들의 URL을 post 리스트에 넣음
del post_temp
for content_url in post: # 기사 URL
# 크롤링 대기 시간
sleep(0.01)
# 기사 HTML 가져옴
request_content = self.get_url_data(content_url)
try:
document_content = BeautifulSoup(request_content.content,
'html.parser')
except:
continue
try:
# 기사 제목 가져옴
tag_headline = document_content.find_all(
'h3', {'id': 'articleTitle'}, {'class': 'tts_head'})
text_headline = '' # 뉴스 기사 제목 초기화
text_headline = text_headline + ArticleParser.clear_headline(
str(tag_headline[0].find_all(text=True)))
if not text_headline: # 공백일 경우 기사 제외 처리
continue
# 기사 본문 가져옴
tag_content = document_content.find_all(
'div', {'id': 'articleBodyContents'})
text_sentence = '' # 뉴스 기사 본문 초기화
text_sentence = text_sentence + ArticleParser.clear_content(
str(tag_content[0].find_all(text=True)))
if not text_sentence: # 공백일 경우 기사 제외 처리
continue
# 기사 언론사 가져옴
tag_company = document_content.find_all(
'meta', {'property': 'me2:category1'})
text_company = '' # 언론사 초기화
text_company = text_company + str(
tag_company[0].get('content'))
if not text_company: # 공백일 경우 기사 제외 처리
continue
# CSV 작성
wcsv = writer.get_writer_csv()
wcsv.writerow([
news_date, category_name, text_company, text_headline,
text_sentence, content_url
])
del text_company, text_sentence, text_headline
del tag_company
del tag_content, tag_headline
del request_content, document_content
except Exception as ex: # UnicodeEncodeError ..
# wcsv.writerow([ex, content_url])
del request_content, document_content
pass
writer.close()
class ArticleCrawler(object):
def __init__(self):
self.parser = ArticleParser()
self.categories = {
'야구': "kbaseball",
'해외야구': "wbaseball",
'축구': "kfootball",
'해외축구': "wfootball",
'농구': "basketball",
'배구': "volleyball",
'골프': "golf",
'일반': "general",
'e스포츠': "esports"
}
self.selected_categories = []
self.date = {
'start_year': 0,
'start_month': 0,
'start_day': 0,
'end_year': 0,
'end_month': 0,
'end_day': 0
}
self.user_operating_system = str(platform.system())
def set_category(self, *args):
for key in args:
if self.categories.get(key) is None:
raise InvalidCategory(key)
self.selected_categories = args
def set_date_range(self, start_year, start_month, start_day, end_year,
end_month, end_day):
args = [
start_year, start_month, start_day, end_year, end_month, end_day
]
if start_year > end_year:
raise InvalidYear(start_year, end_year)
if start_month < 1 or start_month > 12:
raise InvalidMonth(start_month)
if end_month < 1 or end_month > 12:
raise InvalidMonth(end_month)
if start_day < 1 or start_day > calendar.monthrange(
start_year, start_month)[1]:
raise InvalidDay(start_day)
if end_day < 1 or end_day > calendar.monthrange(
start_year, start_month)[1]:
raise InvalidDay(end_day)
for key, date in zip(self.date, args):
self.date[key] = date
print(self.date)
def make_news_page_url(self, category_url, start_year, end_year,
start_month, end_month, start_day, end_day):
total_url_list = []
for year in range(start_year, end_year + 1):
if start_year == end_year:
year_start_month = start_month
year_end_month = end_month
else:
if year == start_year:
year_start_month = start_month
year_end_month = 12
elif year == end_year:
year_start_month = 1
year_end_month = end_month
else:
year_start_month = 1
year_end_month = 12
for month in range(year_start_month, year_end_month + 1):
if year_start_month == year_end_month:
start_day_tmp = start_day
end_day_tmp = end_day
else:
if month == year_start_month:
start_day_tmp = start_day
end_day_tmp = calendar.monthrange(year, month)[1]
elif month == year_end_month:
start_day_tmp = 1
end_day_tmp = end_month
else:
start_day_tmp = 1
end_day_tmp = calendar.monthrange(year, month)[1]
for month_day in range(start_day_tmp, end_day_tmp + 1):
if len(str(month)) == 1:
month = "0" + str(month)
if len(str(month_day)) == 1:
month_day = "0" + str(month_day)
# page 날짜 정보만 있고 page 정보가 없는 url 저장
url = category_url + str(year) + str(month) + str(
month_day)
# totalpage는 네이버 페이지 구조를 이용해서 page=10000으로 지정해 totalpage를 알아냄
# page=10000을 입력할 경우 페이지가 존재하지 않기 때문에 기사 리스트의 가장 마지막 페이지 (page=totalpage)로 이동 됨
totalpage = 0
totalpage = self.parser.find_news_totalpage(url +
"&page=10000")
for page in range(1, totalpage + 1):
if totalpage:
total_url_list.append(url + "&page=" + str(page))
# 월, 일의 자릿수를 2자리로 맞추기
print_start_month = self.appendI2S(start_month)
print_end_month = self.appendI2S(end_month)
print_start_day = self.appendI2S(start_day)
print_end_day = self.appendI2S(end_day)
print('Crawling date range: ' + str(start_year) +
str(print_start_month) + str(print_start_day) + '~' +
str(end_year) + str(print_end_month) + str(print_end_day))
return total_url_list
def crawling(self, category_name):
# MultiThread PID
print(category_name + " PID: " + str(os.getpid()))
# csv 파일 이름에 들어갈 month 자릿수 맞추기
save_start_month = self.appendI2S(self.date['start_month'])
save_end_month = self.appendI2S(self.date['end_month'])
save_start_day = self.appendI2S(self.date['start_day'])
save_end_day = self.appendI2S(self.date['end_day'])
# 각 카테고리 기사 저장 할 CSV
# Windows use euc-kr
file = open(dataset_location + 'Article_' + category_name + '_' +
str(self.date['start_year']) + save_start_month +
save_start_day + '_' + str(self.date['end_year']) +
save_end_month + save_end_day + '.csv',
'w',
encoding='euc-kr',
newline='')
wcsv = csv.writer(file)
del save_start_month, save_end_month
# 기사 리스트 URL 형식
url = "https://sports.news.naver.com/" + str(
self.categories.get(
category_name)) + "/news/index.nhn?isphoto=N&date="
print(url)
# start_year년 start_month월 ~ end_year의 end_month 날짜까지 기사를 수집
#url_list = self.make_news_page_url(url, self.date['start_year'], self.date['end_year'], self.date['start_month'], self.date['end_month'])
url_list = self.make_news_page_url(url, self.date['start_year'],
self.date['end_year'],
self.date['start_month'],
self.date['end_month'],
self.date['start_day'],
self.date['end_day'])
print(category_name + " Urls are generated")
print("The crawler starts")
print("=========================================")
article_count = 0
for URL in url_list:
regex = re.compile("date=(\d+)")
news_date = regex.findall(URL)[0]
driver = webdriver.Chrome('chromedriver.exe_location')
driver.get(URL)
html = driver.page_source # 페이지의 html 정보 load
bs_obj = BeautifulSoup(html, 'html.parser')
# html의 class를 이용하여 각 페이지에 있는 기사들 가져오기
article_url_list = bs_obj.select('.news_list .text')
# 각 페이지에 있는 기사들의 url 저장
post_url_list = []
for line in article_url_list:
post_url_list.append("https://sports.news.naver.com" +
line.a.get('href')
) # 해당되는 page에서 모든 기사들의 URL을 post 리스트에 넣음
del article_url_list
for content_url in post_url_list: # 기사 URL
# 크롤링 대기 시간
sleep(0.01)
# 기사 HTML 가져옴
request_content = requests.get(content_url)
document_content = BeautifulSoup(request_content.content,
'html.parser')
try:
# 기사 제목 가져옴
tag_headline = document_content.find_all(
'h4', {'class': 'title'})
text_headline = '' # 뉴스 기사 제목 초기화
text_headline = text_headline + self.parser.clear_headline(
str(tag_headline[0].find_all(text=True)))
if not text_headline: # 공백일 경우 기사 제외 처리
continue
# 기사 제목 가져옴
tag_time = document_content.find('div', {
'class': 'info'
}).find('span')
regex = re.compile("오[전,후]\s\d\d:\d\d")
match = regex.findall(str(tag_time))[0]
text_time = '' # 뉴스 기사 제목 초기화
text_time = text_time + match
if not text_time: # 공백일 경우 기사 제외 처리
exit()
# 기사 본문 가져옴
tag_content = document_content.find_all(
'div', {'id': 'newsEndContents'})
text_sentence = '' # 뉴스 기사 본문 초기화
text_sentence = text_sentence + self.parser.clear_content(
str(tag_content[0].find_all(text=True)))
if not text_sentence: # 공백일 경우 기사 제외 처리
continue
# CSV 작성
wcsv.writerow([
news_date, text_time, text_headline, text_sentence,
content_url
])
article_count = article_count + 1
del text_sentence, text_headline, text_time
del tag_content, tag_headline
del request_content, document_content
except Exception as ex: # UnicodeEncodeError ..
# wcsv.writerow([ex, content_url])
del request_content, document_content
pass
print("The crawler finished!!")
print("Number of crawling articles : " + str(article_count))
file.close()
def appendI2S(self, input_int):
if len(str(input_int)) == 1:
out_string = "0" + str(input_int)
else:
out_string = str(input_int)
return out_string
def start(self):
# MultiProcess 크롤링 시작
for category_name in self.selected_categories:
proc = Process(target=self.crawling, args=(category_name, ))
proc.start()
class ArticleCrawler(object):
def __init__(self):
self.parser = ArticleParser()
self.category = {
'정치': 100,
'경제': 101,
'사회': 102,
'생활문화': 103,
'세계': 104,
'IT과학': 105
}
self.selected_category = []
self.date = {'start_year': 0, 'end_year': 0, 'end_month': 0}
def set_category(self, *args):
for key in args:
if self.category.get(key) is None:
raise InvalidCategory(key)
else:
self.selected_category = args
def set_date_range(self, start_year, end_year, end_month):
args = [start_year, end_year, end_month]
if start_year > end_year:
raise InvalidYear(start_year, end_year)
if end_month < 1 or end_month > 12:
raise InvalidMonth(end_month)
for key, date in zip(self.date, args):
self.date[key] = date
print(self.date)
def make_news_page_url(self, category_url, start_year, last_year,
start_month, last_month):
maked_url = []
final_startmonth = start_month
final_lastmonth = last_month
for year in range(start_year, last_year + 1):
if year != last_year:
start_month = 1
last_month = 12
else:
start_month = final_startmonth
last_month = final_lastmonth
for month in range(start_month, last_month + 1):
for month_day in range(1,
calendar.monthrange(year, month)[1] +
1):
url = category_url
if len(str(month)) == 1:
month = "0" + str(month)
if len(str(month_day)) == 1:
month_day = "0" + str(month_day)
url = url + str(year) + str(month) + str(month_day)
final_url = url # page 날짜 정보만 있고 page 정보가 없는 url 임시 저장
# totalpage는 네이버 페이지 구조를 이용해서 page=1000으로 지정해 totalpage를 알아냄
# page=1000을 입력할 경우 페이지가 존재하지 않기 때문에 page=totalpage로 이동 됨
totalpage = self.parser.find_news_totalpage(final_url +
"&page=1000")
for page in range(1, totalpage + 1):
url = final_url # url page 초기화
url = url + "&page=" + str(page)
maked_url.append(url)
return maked_url
def crawling(self, category_name):
# MultiThread PID
print(category_name + " PID: " + str(os.getpid()))
# 안되면 울거다
file_name = 'Article_' + str(self.category[category_name])
conn = pymongo.MongoClient(
'mongodb://%s:%s@%s:%s/' %
(MONGODB_USERID, MONGODB_PASSWORD, MONGODB_HOST, MONGODB_PORT))
print(conn)
db = conn.get_database(MONGODB_DATABASE)
collection = db[file_name]
# 기사 URL 형식
url = "http://news.naver.com/main/list.nhn?mode=LSD&mid=sec&sid1=" + str(
self.category.get(category_name)) + "&date="
# start_year년 1월 ~ end_year의 end_mpnth 날짜까지 기사를 수집합니다.
final_urlday = self.make_news_page_url(url, self.date['start_year'],
self.date['end_year'], 1,
self.date['end_month'])
print(category_name + " Urls are generated")
print(final_urlday)
print(len(final_urlday))
print("크롤링 시작")
for URL in final_urlday:
regex = re.compile("date=(\d+)")
news_date = regex.findall(URL)[0]
request = requests.get(URL)
document = BeautifulSoup(request.content, 'html.parser')
tag_document = document.find_all('dt', {'class': 'photo'})
post = []
row = 0
for tag in tag_document:
post.append(
tag.a.get('href')) # 해당되는 page에서 모든 기사들의 URL을 post 리스트에 넣음
for content_url in post: # 기사 URL
# 크롤링 대기 시간
sleep(0.01)
# 기사 HTML 가져옴
request_content = requests.get(content_url)
document_content = BeautifulSoup(request_content.content,
'html.parser')
try:
# 기사 제목 가져옴
tag_headline = document_content.find_all(
'h3', {'id': 'articleTitle'}, {'class': 'tts_head'})
text_headline = '' # 뉴스 기사 제목 초기화
text_headline = text_headline + self.parser.clear_headline(
str(tag_headline[0].find_all(text=True)))
if not text_headline: # 공백일 경우 기사 제외 처리
continue
# 기사 본문 가져옴
tag_content = document_content.find_all(
'div', {'id': 'articleBodyContents'})
text_sentence = '' # 뉴스 기사 본문 초기화
text_sentence = text_sentence + self.parser.clear_content(
str(tag_content[0].find_all(text=True)))
if not text_sentence: # 공백일 경우 기사 제외 처리
continue
# 기사 언론사 가져옴
tag_company = document_content.find_all(
'meta', {'property': 'me2:category1'})
text_company = '' # 언론사 초기화
text_company = text_company + str(
tag_company[0].get('content'))
if not text_company: # 공백일 경우 기사 제외 처리
continue
# 기사 이미지 가져옴
tag_image = document_content.find_all(
'span', {'class': 'end_photo_org'})
image_url = '' # 이미지 초기화
image_url = image_url + str(
tag_image[0].find('img')['src'])
image_path = "images/" + file_name + "_" + str(
row) + "_" + str(news_date) + '.png'
urllib.request.urlretrieve(image_url, image_path)
row = row + 1
if not image_url: # 공백일 경우 기사 제외 처리
continue
collection.insert_one({
"data": {
"headline": text_headline,
"content": text_sentence,
"company": text_company,
"image": image_path
}
})
except Exception as ex:
pass
def start(self):
# MultiProcess 크롤링 시작
for category_name in self.selected_category:
proc = Process(target=self.crawling, args=(category_name, ))
proc.start()
def crawling(self, category_name):
# Multi Process PID
print(category_name + " PID: " + str(os.getpid()))
writer = Writer(category_name=category_name, date=self.date)
wcsv = writer.get_writer_csv()
wcsv.writerow(["date", "time", "category", "headline", "content"])
# 기사 URL 형식
url = "http://news.naver.com/main/list.nhn?mode=LSD&mid=sec&sid1=" + str(
self.categories.get(category_name)) + "&date="
# start_year년 start_month월 ~ end_year의 end_month 날짜까지 기사를 수집합니다.
day_urls = self.make_news_page_url(url, self.date['year'], self.date['month'], self.date['day'])
print(category_name + " Urls are generated")
print("The crawler starts")
for URL in day_urls:
news_date = self.get_date_from_URL(URL)
request = self.get_url_data(URL)
document = BeautifulSoup(request.content, 'html.parser')
# html - newsflash_body - type06_headline, type06
# 각 페이지에 있는 기사들 가져오기
post_temp = document.select('.newsflash_body .type06_headline li dl')
post_temp.extend(document.select('.newsflash_body .type06 li dl'))
# 각 페이지에 있는 기사들의 url 저장
post = []
for line in post_temp:
post.append(line.a.get('href')) # 해당되는 page에서 모든 기사들의 URL을 post 리스트에 넣음
del post_temp
for content_url in post: # 기사 URL
# 크롤링 대기 시간
sleep(0.01)
# 기사 HTML 가져옴
request_content = self.get_url_data(content_url)
try:
document_content = BeautifulSoup(request_content.content, 'html.parser')
except:
continue
try:
# 기사 제목 가져옴
tag_headline = document_content.find_all('h3', {'id': 'articleTitle'}, {'class': 'tts_head'})
text_headline = '' # 뉴스 기사 제목 초기화
text_headline = text_headline + ArticleParser.clear_headline(str(tag_headline[0].find_all(text=True)))
if not text_headline: # 공백일 경우 기사 제외 처리
continue
# 기사 본문 가져옴
tag_content = document_content.find_all('div', {'id': 'articleBodyContents'})
text_sentence = '' # 뉴스 기사 본문 초기화
text_sentence = text_sentence + ArticleParser.clear_content(str(tag_content[0].find_all(text=True)))
if not text_sentence or len(text_sentence) < 500: # 공백일 경우 기사 제외 처리
continue
# 기사 시간 가져옴
tag_time = document_content.find('span', {'class':'t11'}).text.split(" ")[1:]
news_time = " ".join(tag_time)
if not news_time:
continue
# CSV 작성
wcsv = writer.get_writer_csv()
wcsv.writerow([news_date, news_time, category_name, text_headline, text_sentence])
del text_sentence, text_headline, news_time
del tag_time
del tag_content, tag_headline
del request_content, document_content
print("Done")
except Exception as e: # UnicodeEncodeError ..
# wcsv.writerow([ex, content_url])
del request_content, document_content
print(f"ERROR : {e}")