권영기/web crawler

목적

Python을 이용해서 Web Crawler를 제작하면서 Python의 사용법을 익히고, 원하는 웹 페이지를 긁기 위한 Web Crawler를 제작한다. (네이버웹툰(돌아온 럭키짱, 신의 탑...), 네이버 캐스트, 그 외의 각종 웹페이지..)

필요기술

• HTML
• CSS
• JavaScript
• Python

  HTML, CSS, JavaScript - 웹 페이지 분석
  Python

진행 과정

필요한 문서

• http://docs.python.org/
• http://hyogeun.tistory.com/107 - try, except.

시작

웹 페이지 소스 긁어오기

import urllib
import urllib2

req = urllib2.Request('http://9632024.tistory.com/974')
try: urllib2.urlopen(req)
except URLError, e:
	print e.reason

fo = open("test1.html","w")
for line in urllib2.urlopen(req).readlines():
	fo.write(line)

fo.close()

• http://coreapython.hosting.paran.com/howto/HOWTO%20Fetch%20Internet%20Resources%20Using%20urllib2.htm

소스에서 URL만 추출하기

import urllib
import urllib2
import string

fo1 = open("test1.html", "r")
fo2 = open("test2.html", "w")

for line in fo1.readlines() :
	pos = string.find(line, '"http')
	if pos is not -1 :
		for c in range(pos+1, len(line)) :
			if line[c] is '"' :
				fo2.write("\n")
				break
			fo2.write(line[c])

fo1.close()
fo2.close()

• http://docs.python.org/tutorial/controlflow.html
• http://docs.python.org/tutorial/inputoutput.html

파일 다운로드하기

import urllib
import urllib2


fo = open("test2.html", "r")
for line in fo.readlines():
	urllib.urlretrieve(line,line.split('/')[-1])

fo.close()

• http://www.wellho.net/resources/ex.php4?item=y108/bejo.py
• split

 line = 'http://cfile23.uf.tistory.com/original/2001D2044C945F80495C6F'
 line.split('/')-1 == '2001D2044C945F80495C6F'
 line.split('/')-2 == 'original'

 say = "This is a line of text"
 part = line.split(' ')
 part == 'This', 'is', 'a', 'line', 'of', 'text'

• swap

Python 2.7.2+ (default, Oct  4 2011, 20:03:08) 
[GCC 4.6.1] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> first = 1
>>> second = 2
>>> first, second = second, first
>>> print first
2
>>> print second
1
>>> first, second = second, first
>>> third = 3
>>> first, second, third = third, first, second
>>> print first, second, third
3 1 2

• retrieve

  urllib.urlretrieve(url[, filename[, reporthook, data]])
  http://docs.python.org/library/urllib.html

개선해야 할 점

• 파일을 저장할 떄 소스 파일에 저장이 되서 지저분하다.
• 필요하지 않은 파일까지 전부 긁어온다.
• 내가 인터넷에서 jpg 파일 긁어오려고 만든 파이썬 코드 있는데 혹시 필요함? - 서민관