2022 Summer Data Study

2022년 여름방학 데이터 스터디

# 2022_07_22
# 2022_07_23
# 2022_07_29
# 2022_07_31
# 2022_08_05
# 2022_08_20

---

• 2022_07_22

  📌 BeautifulSoup 라이브러리를 이용하여 7월 1일자의 모든 뉴스 수집 📌

  네이버 뉴스 주소를 request로 요청하였을 때 오류가 발생 서버에서 사용자 소프트웨어의 식별 정보인 User-Agent 없이 HTTP 요청을 하면 오류가 발생 User-Agent 값을 포함하는 header 추가하여 오류 해결 (크롬 사용)

  headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'}
  res = requests.get(URL, headers=headers)

  해당 날짜의 첫번째 페이지 URL과 그 페이지 하단의 페이지 번호 리스트의 url을 page 리스트에 append

  page = ['https://news.naver.com/main/list.naver?mode=LS2D&mid=shm&sid2=229&sid1=105&date=20220701']
  for li in soup.select('#main_content > div.paging > a'):
      page.append('https://news.naver.com/main/list.naver' + li['href'])

  page 리스트 안의 페이지에 있는 뉴스 리스트를 바로 for문으로 돌리는 '페이지 탐색' for문 사용

  for li in soup.select('#main_content > div > ul > li'):
      url = li.a['href']

  리스트 l에 '페이지 탐색' for문으로 얻은 title, date, contents 데이터를 리스트로 묶어 append한 후 for문 종료 후 pandas를 이용하여 DataFrame으로 정리하고 엑셀(naver_news.xlsx)로 저장

  l.append([title, date, contents])
  .
  .
  .
  df = pd.DataFrame(l, columns = ['title', 'url', 'contents'])
  df.to_excel('naver_news.xlsx', index = False) 

---

• 2022_07_23

  📌 6월 한 달치 뉴스 수집 📌

  6월 한 달이 30일인걸 반영하여 for, range문으로 30일치 뉴스 url을 만들어 day_url 리스트에 append

  for day in range(30):
  day_url.append('https://news.naver.com/main/list.naver?mode=LS2D&mid=shm&sid2=229&sid1=105&date='+ str(20220601 + day))

---

• 2022_07_29

  📌 title과 date 수집 방식 변경 📌

  기존에는 뉴스 개별 페이지 안에서 title과 date를 수집 이 과정에서 언론사마다 selector가 달라서 그 종류를 모두 찾은 후 try, except문으로 처리 (2022_08_05 참고)

  #title
  try :
      title = soup.select_one('#ct > div > div > h2').text.strip()
  except:
      title = soup.select_one('#content > div > div > div > div > h4').text.strip()
  #date
  try:
      date = soup.select_one('#ct > div > div > div > div > span').text.strip()
  except:
      date = soup.select_one('#content > div > div> div > div> div > span').text.strip()
      if date == '새로운 뉴스':
          date = soup.select_one('#content > div.end_ct > div > div.article_info > span > em').text.strip()
      else:
          list(date)
          date = date[5:]
          str(date)

  위의 방식으로 처리하면 더 많은 뉴스 기사를 수집할 때 문제가 발생할 가능성이 있고 효율적이지 못하기에 뉴스 개별 페이지가 아닌 뉴스 리스트가 보이는 페이지에서 기본 정보를 수집하도록 수정 (그러나 페이지 내부에서 수집하는 contents 항목은 아직 수정하지 못함)

  def basic_info(li):
      url = li.a['href']
      for t in li.select('#main_content > div > ul > li > dl > dt > a'):
          title = t.text.strip()
      date = li.select_one('#main_content > div > ul > li > dl > dd > span.date').text.strip()
  
      return title, date, url

---

• 2022_07_31

  📌 MySQL에 데이터 정리 📌

  # MySQL에 data를 넣은 img

  

  # MySQL Workbench로 스키마, 테이블을 생성한 img

  

  엑셀의 행의 한계는 1048576개이기 때문에 방대한 데이터를 저장하기에 무리가 있어 데이터베이스를 사용 MySQL에 web 스키마를 생성, news 테이블 생성, publisher, title, date 필드 생성

  CREATE DATABASE web
  
  USE web
  
  CREATE TABLE `test`.`news` (
      `publisher` VARCHAR(20) NOT NULL,
      `title` VARCHAR(100) NOT NULL,
      `date` VARCHAR(30) NOT NULL);

  python으로 데이터베이스를 사용하기 위하여 pymysql 라이브러리를 사용

  pip install PyMySQL
  

  MySQL에 연결할 때 필요한 db, host, user, password, port, charset 정보를 딕셔너리형으로 mysql_user_info.py로 미리 저장하였다가 naver_news_detail.py에서 import 하여 사용

  # mysql_user_info.py
  user_info = {'db' : 'web', 'host' : '127.0.0.1', 'user' : 'root', 'passwd' : 'DB_PASSWORD', 'port' : 3306, 'charset' : 'utf8'}

  import mysql_user_info

  with as문을 이용하여 close()문을 사용하지 않아도 됨

  def insert_data(publisher, title, date):
  user = mysql_user_info.user_info
  db = pymysql.connect(db=user['db'], host=user['host'], user=user['user'], passwd=user['passwd'], port=user['port'], charset=user['charset'])
  
  sql = 'INSERT INTO news (publisher, title, date) VALUES (%s, %s, %s)'
  
  with db:
      with db.cursor() as cursor:
          cursor.execute(sql, (publisher, title, date))
          db.commit()

  time 라이브러리를 이용하여 코드 실행시간 측정 (6월 한 달치를 contents를 함께 수집하면 약 10분 정도 소요, contents를 수집 안하였을 때 68.97558355331421초 소요)

  import time
  
  start_time = time.time()
  .
  .
  .
  print(f'Time : {time.time() - start_time}')

---

• 2022_08_05

  📌 2021년 1년치 뉴스 데이터 수집 📌

  # MySQL에 1년 치 data가 들어가 있는 img

  

  # 약 2시간 반 소요된 img

  

  2021년 1년치 데이터를 수집하기 위하여 1년치 링크를 day_url 리스트에 append

  # 날짜 리스트 만들기
  month_day = [31, 28, 31, 30, 31, 30, 31, 31, 30, 31, 30, 31]
  day_url = []
  
  for month in range(12):
      for day in range(month_day[month]):
          day_url.append(('https://news.naver.com/main/list.naver?mode=LS2D&mid=shm&sid2=229&sid1=105&date=' + str(20210000 + (month + 1) * 100 + (day + 1))))

  2022_07_29 에 수정하지 못하였던 contents 항목 데이터 수집 방식 변경
  언론사마다 selector가 다른 것이 아닌 네이버 뉴스의 일반 뉴스, 연예 뉴스, 스포츠 뉴스마다 다른 것을 인지하고 수정

  # contents
  try:
      contents = soup.select_one('#dic_area').text.strip()
  except:
      if soup.select_one('#header > div > div > h1 > a:nth-of-type(2)').text == '스포츠':
          contents = soup.select_one('#newsEndContents').text.strip()
      elif soup.select_one('#header > div > div > h1 > a:nth-of-type(2)').text == 'TV연예':
          contents = soup.select_one('#content > div.end_ct > div > div.end_body_wrp').text.strip()

  특정 날짜의 특정 페이지에서만 데이터 수집이 안되는걸 발견
  하루동안 고민 후 교수님께 질문을 하였고 셀레니움을 이용해서 수정이 가능하다는 답변을 얻음
  이번에는 셀레니움 없이 수집할 것이기 때문에 예외 처리 하도록 수정

  try:
      title, date, publisher, url = basic_info(li)
      contents = detail_info(url)
  
      print(f'Date : \n{date}')
  
      insert_data(publisher, title, date, contents)
  
  except:
      continue

---

• 2022_08_20

  📌 KoNLPy 이용한 형태소 분석 📌

  우선 naver_news_detail.py로 db에 저장했었던 데이터를 받아옴

  def fetch():
      with pymysql.connect(db=user['db'], host=user['host'], user=user['user'], passwd=user['passwd'], port=user['port'], charset=user['charset']) as db:
          with db.cursor(pymysql.cursors.DictCursor) as cur:
              sql = 'SELECT * FROM news'
              cur.execute(sql)
              db.commit()
  
              data = cur.fetchall()
  
      return data

  분석한 형태소 데이터를 넣을 db 설계를 고민하다가 | id | type | word | 구조로 설계
  id는 'publisher-date'로 설정

  # id 생성
  id = i['publisher'] + '-' + i['date']

  제목에서는 명사만, 본문에서는 명사, 형용사만 추출하고자 함
  명사는 어절을 추출하여 넣음

  # 형태소 분석
  title_pos = okt.pos(i['title'])
  title_noun = okt.phrases((i['title']))
  body_pos = okt.pos(i['body'])
  body_noun = okt.phrases((i['body']))

  데이터를 두 개의 테이블에 넣지만 하나의 함수로 처리

  # morpheme 테이블에 data 넣기
  def insert_data(id, type, word, sort):
      try:
          with pymysql.connect(db=user['db'], host=user['host'], user=user['user'], passwd=user['passwd'], port=user['port'], charset=user['charset']) as db:
              with db.cursor() as cursor:
                  sql = 'INSERT INTO ' + sort + '_morpheme (id, type, word) VALUES (%s, %s, %s)'
                  cursor.execute(sql, (id, type, word))
                  db.commit()
      except:
          pass

  # 러닝시간을 계산한 결과