자바 크롤링
DB CAFE
thumb_up 추천메뉴 바로가기
- DBA { Oracle DBA 명령어 > DBA 초급 과정 > DBA 고급 과정 }
- 튜닝 { 오라클 튜닝 목록 }
- 모델링 { 데이터 모델링 가이드 }
목차
1 자바 크롤링[편집]
1.1 자바 설치[편집]
1.2 자바 크롤링 라이브러리[편집]
https://mobilemonitoringsolutions.com/8-most-popular-java-web-crawling-scraping-libraries/
1.3 크롤링 샘플[편집]
1.3.1 jsoup[편집]
1.3.2 셀레이엄[편집]
https://heodolf.tistory.com/103?category=887835
1.3.2.1 html로 저장[편집]
// App.java
package selenium;
import java.io.File;
import java.io.FileOutputStream;
public class App {
// 중략
public static void saveHtml(String filename, byte[] html) {
File savedir = new File("C:/work/java/crawler/html");
if( !savedir.exists() ) {
savedir.mkdirs();
}
File file = new File(savedir, filename);
try {
FileOutputStream out = new FileOutputStream(file);
out.write( html );
out.close();
} catch (Exception e) {
e.printStackTrace();
}
}
// 중략
}1.3.2.2 트위터 크롤링[편집]
1.3.2.2.1 JSOAP 이용[편집]
// App.java
package selenium;
import org.jsoup.Connection;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
public class App {
// 중략
public static void runJsoup(String URL) throws Exception {
// 1. Connection 객체 생성
Connection conn = Jsoup.connect(URL);
conn.header("Content-Type", "application/html;charset=UTF-8");
conn.timeout(30*1000);
// 2. HTML 파싱
Document html = conn.get();
// 3. HTML 저장.
saveHtml("twitter-jsoup.html", html.toString() );
try {
// 4. 트윗 목록 조회
Element parent = html.selectFirst("section[aria-labelledby*=\"accessible-list\"]");
if(parent == null ) { throw null; }
// 5. 트윗 콘텐츠 조회
Elements contents = parent.select("div.css-1dbjc4n.r-my5ep6.r-qklmqi.r-1adg3ll");
System.out.println( "조회된 콘텐츠 수 : "+contents.size() );
// 6. 트윗 내용 파싱.
if( contents.size() > 0 ) {
// 7. 트윗 상세 내용 탐색
for(Element content : contents ) {
try {
String username = content.selectFirst("span > span.css-901oao.css-16my406.r-1qd0xha.r-ad9z0x.r-bcqeeo.r-qvutc0").text();
String id = content.selectFirst("span.css-901oao.css-16my406.r-1qd0xha.r-ad9z0x.r-bcqeeo.r-qvutc0").text();
String text = content.selectFirst("div.css-901oao.r-hkyrab.r-1qd0xha.r-a023e6.r-16dba41.r-ad9z0x.r-bcqeeo.r-bnwqim.r-qvutc0").text();
System.out.println( "========================" );
System.out.println( username+" "+id );
System.out.println( text );
System.out.println( "========================" );
} catch ( Exception e ) {
// pass
}
}
}
} catch ( Exception e ) {
System.out.println("목록을 찾을 수 없습니다.");
} finally {
// 3. HTML 저장.
saveHtml("twitter-jsoup-loaded.html", html.toString() );
}
}
// 중략
}1.3.2.2.2 세레니엄 이용[편집]
// App.java
package selenium;
import java.nio.file.Path;
import java.nio.file.Paths;
import java.util.List;
import java.util.Properties;
import org.openqa.selenium.By;
import org.openqa.selenium.NoSuchElementException;
import org.openqa.selenium.TimeoutException;
import org.openqa.selenium.WebElement;
import org.openqa.selenium.chrome.ChromeDriver;
import org.openqa.selenium.chrome.ChromeOptions;
import org.openqa.selenium.support.ui.ExpectedConditions;
import org.openqa.selenium.support.ui.WebDriverWait;
public class App {
// 중략
public static void runSelenium(String URL) throws Exception {
// 1. WebDriver 경로 설정
Path path = Paths.get(System.getProperty("user.dir"), "src/main/resources/chromedriver.exe");
System.setProperty("webdriver.chrome.driver", path.toString());
// 2. WebDriver 옵션 설정
ChromeOptions options = new ChromeOptions();
options.addArguments("--start-maximized"); // 최대크기로
options.addArguments("--headless"); // Browser를 띄우지 않음
options.addArguments("--disable-gpu"); // GPU를 사용하지 않음, Linux에서 headless를 사용하는 경우 필요함.
options.addArguments("--no-sandbox"); // Sandbox 프로세스를 사용하지 않음, Linux에서 headless를 사용하는 경우 필요함.
// 3. WebDriver 객체 생성
ChromeDriver driver = new ChromeDriver( options );
// 4. 웹페이지 요청
driver.get(URL);
// 5. HTML 저장.
saveHtml("twitter-selenium.html", driver.getPageSource() );
try {
// 6. 트윗 목록 Block 조회, 로드될 때까지 최대 30초간 대기
WebDriverWait wait = new WebDriverWait(driver, 30);
WebElement parent = wait.until(ExpectedConditions.presenceOfElementLocated(By.cssSelector("section[aria-labelledby*=\"accessible-list\"]")));
// 7. 트윗 콘텐츠 조회
List<WebElement> contents = parent.findElements(By.cssSelector("div.css-1dbjc4n.r-my5ep6.r-qklmqi.r-1adg3ll"));
System.out.println( "조회된 콘텐츠 수 : "+contents.size() );
if( contents.size() > 0 ) {
// 8. 트윗 상세 내용 탐색
for(WebElement content : contents ) {
try {
String username = content.findElement(By.cssSelector("span > span.css-901oao.css-16my406.r-1qd0xha.r-ad9z0x.r-bcqeeo.r-qvutc0")).getText();
String id = content.findElement(By.cssSelector("span.css-901oao.css-16my406.r-1qd0xha.r-ad9z0x.r-bcqeeo.r-qvutc0")).getText();
String text = content.findElement(By.cssSelector("div.css-901oao.r-hkyrab.r-1qd0xha.r-a023e6.r-16dba41.r-ad9z0x.r-bcqeeo.r-bnwqim.r-qvutc0")).getText();
System.out.println( "========================" );
System.out.println( username+" "+id );
System.out.println( text );
System.out.println( "========================" );
} catch ( NoSuchElementException e ) {
// pass
}
}
}
} catch ( TimeoutException e ) {
System.out.println("목록을 찾을 수 없습니다.");
} finally {
// 9. HTML 저장.
saveHtml("twitter-selenium-loaded.html", driver.getPageSource() );
}
// WebDriver 종료
driver.quit();
}
// 중략
}