Crawling_Python

If you want to see metadata or get more detailed information on the data set, please refer to the link below.
https://www.dataquest.io/blog/web-scraping-tutorial-python/

다양한 크롤링 라이브러리

파이썬으로 웹을 크롤링할수있는 라이브러리와 프레임워크는 매우 다양하다.
그중 BeautifulSoap 와 Selenium 을 활용해보고자 한다.

보면 좋을 순서 : Crawling(Beautifulsoap).ipynb -> Crawling(Selenium).ipynb -> mycrawling.ipynb

위의 코드순서는 각각을 소개하고 mycrawling에서는 두개의 시간을 비교해보았다.
더 빠른 속도를 낼수있는 코드는 언제든지 환영이다 ! Welcome to contribution

Table of content

BeautifulSoup
Selenium
차이

1. Requests or urlib(beautifulsoup)

beautifulsoap는 HTML, XML 파일의 정보를 추출해내는 python 라이브러리 이다.

이 방식은 python 내장 모듈인 requests 혹은 urllib 을 이용해 HTML을 다운받고, beautifulsoup로 데이터를 추출하는 방식이다.
해당 방식은 HTML을 다운 받기에 , 서버사이드렌더링을 사용하지않는 SPA 사이트나, javaScript 렌더링을 필요로하는 사이트들은 크롤링하기 어렵다고 한다.

SPA 에 대한 설명 : https://m.blog.naver.com/PostView.nhn?blogId=azure0777&logNo=220812404024&proxyReferer=https:%2F%2Fwww.google.com%2F
렌더링에 대한 설명 : https://tuhbm.github.io/2017/08/10/rendering1/

장점 --> 쉽고 멀티프로세스 혹은 멀티 쓰레드 적용시엔 빠르다.
단점 --> 렌더링이 필요한 사이트들을 크롤링하기 어려움. 병렬처리 로직을 별도로 작성하지 않으면 느린편

2.Selenium

셀리니움은 웹 자동화 테스트(버튼클릭, 스크롤 조작)에 사용되는 프레임워크이다.
셀리니움을 이용한 크롤러는 웹 페이지에서 javascript 렌더링을 통해 생성되는 데이터들을 손쉽게 가져올수있다.
인터넷브라우저를 통해 크롤링을 하는 개념이라, 실제 보여지는 웹페이지의 전부를 가져올 수 있고 디버깅 방법 또한 직관적이다.
하지만 실제 웹브라우저를 실행시키는 방법이기때문에 속도가 많이 느리고 메모리도 상대적으로 많이 차지한다.
멀티프로세스를 사용해서 여러 브라우저를 크롤링하도록 하면 속도를 개선할수있다.
셀리니움 사용시 도커를 사용하면 편리하다고한다. (아직 도커를 이용해서 크롤링을 해보진않았다 ㅠㅠ)