[Python]WebCrawler2_웹툰 이미지 크롤링

전 블로그에서 게시한 글을 이전하며 재업로드합니다.

https://plan0a-0z-entering-security.tistory.com/36?category=854951 

[Python]WebCrawler2_웹툰 이미지 크롤링

 

---

 

 

WebCrawler2_ WebtoonCrawler 웹툰 이미지 크롤링

※ 이 프로그램은 개인적인 학습을 위해 제작한 것입니다. 이를 악의적인 목적으로 사용하지 마세요. ※ 

== 기능 ==

• 해당 웹툰의 페이지에서, 제목과 회차 정보의 문자열을 추출하여, 폴더를 만든다. ( 웹툰 제목의 폴더안에 회차별로 폴더 존재)
• 회차별 폴더 안에는 한 회차의 이미지들이 저장된다. 한페이지의 웹툰은 10개가 있으므로, 크롤러 실행시 10개의 웹툰회차가 저장된다.

== 실행 화면 ==

프로그램 실행화면

 

실행후, 지정폴더에 '웹툰명'의 폴더 생성확인

 

'웹툰명' 안에 생성된 '회차'별 파일들 

'회차' 파일 안에 저장된 웹툰 '이미지'들 (숫자로 저장된 모습)

 

 

== 프로그램 로직 ==

1. 해당 웹툰 페이지 HTML 파싱하기
2.  웹페이지 html에서 웹툰 이름 필터링 하기
3.  웹툰 파일명 파일 만들기 
4.  회차별 이름 필터링 하기 (반복) 
5.  회차별 파일 만들기 (반복)
6.  이미지 다운받기 (반복)

4~ 6번 과정은 회차별 폴더를 만들고 그 안에 이미지를 다운로드 하는 과정으로, 반복문을 통해 구현하였다.

 

 

 

 

 == 프로그램 코드 설명 == 

>> 사용한 모듈

파싱을 위한 beautiful 모듈, 운영체제 기능제공하는 os 모듈, sub()함수를 위한 re모듈

 

>>1. 해당 웹툰 페이지 HTML 파싱 하기 

웹 페이지 요청 및 파싱 ( html 문자열로 가져오기 위함)

 

 

>>2. 웹페이지 html에서 웹툰 이름 필터링하기

- 11,12 line : h2 태그만 모두 찾아, 두번째 정보만 가져와 string으로 타입 변환 해준다.

11,12 line

- 13 line : 정규 표현식을 이용하여, 위의 코드에서 <span class="wrt_nm"> .....이윤창</span> 이 코드를 제거한다.

   <span.*?>.*?</span> 해석 : <span 으로 시작하고 뭔가 한글자 있고, >로 끝나고 중간에 문자(들)있고, </span>으로 끝나는 문자를 제거한다.

    네번째인수 0 : 조건을 만족하는 모든 문자열 삭제

    다섯번째 인수 re.I | re.S : re.I는 대소문자 구별없이 매치 수행할때 이용, re.S는 개행문자도 ','로 매칭된다. (기본값은 '.'은 개행 문자와 매칭되지 않음)

13line

++ re.sub(패턴, 치환할 값, 문자열) , import re 필요 

 

- 14 line :  태그 제거 해준다. 

<.+?>정규식 해석 : <로 시작하고 뒤에 한글자 이상있고 >로 끝나면 sub()함수로 삭제한다.

14line

- 15line : 공백, 엔터 탭키를 제거 해준다. 

15line

 

>>3. 웹툰 파일명 파일 만들기 

 

>>4. 회차별 이름 필터링 하기 (반복) 

24 line : 페이지 html코드중, class가 title인 td 태그들만 추출한다. ( 여기 안에 회차 정보 들어있음)

26 line : 반복문을 돌며, 회차별로 접근가능하게 해준다.

27 line : 추출된 회차 td 태그중 text만 빼온다. ( title이 회차이름)

 

 

>>5. 회차 파일 만들기 (반복) 

 

>>6. 이미지 다운받기(반복)

34,35 line : 회차별 웹툰 링크로 넘어가서 코드를 가져와 result2변수에 저장한다.

36 line : 본문 내용의 tag만 필터링 한다. ( 이 안에는 이미지 링크들이 있음 )

 

39 line : 이미지 저장시, 하나씩 처리해야 하므로 반복문 돌림

40 line : 이미지 다운 받는 링크

43 line : 파일 다운 경로&이름의 다운받는 경로 

 

45~49  line : 51번째 줄의 이미지 다운로드 받을때, 생기는 오류를 우회하기 위한 코드 추가

네이버에서 서버인지 봇인지 판별하는데, header에 user-agent 정보를 넣어 사람인것처럼 속이는 코드 이다.

 

출처 : http://blog.naver.com/PostView.nhn?blogId=ued_123&logNo=221552494873&parentCategoryNo=&categoryNo=1&viewDate=&isShowPopularPosts=false&from=postView

 

 

 

 

== 코드 ==

 

https://github.com/HyeM207/SWING-STUDY/blob/main/Web-Crawler/WebtoonCrawler.py

GitHub - HyeM207/SWING-STUDY: Study, Project (Crawler, Macro, Networking etc.) in SWING (2019-2021)

 

 

 

---

[참고]

정규식에 관한 정보 :  http://zeany.net/46

오류 우회 코드 : http://blog.naver.com/PostView.nhn?blogId=ued_123&logNo=221552494873&parentCategoryNo=&categoryNo=1&viewDate=&isShowPopularPosts=false&from=postView