forked from CSID-DGU/2021-2-OSSP1-NotifyService-1
-
Notifications
You must be signed in to change notification settings - Fork 0
/
crawling.py
357 lines (299 loc) · 18.5 KB
/
crawling.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
# 요건 2차원 배열로 바꾼거~
import urllib
import chromedriver_autoinstaller
from selenium.webdriver.chrome.options import Options
from bs4 import BeautifulSoup
import time
# 엑셀 처리 임포트
import xlsxwriter
options = Options()
options.add_argument('headless'); # headless는 화면이나 페이지 이동을 표시하지 않고 동작하는 모드
# Excel 처리 선언
savePath = "c:/Users/jiwon/Documents/"
name = time.strftime('%H%M%S')+'result.xlsx'
workbook = xlsxwriter.Workbook(savePath + name)
# 워크 시트
worksheet = workbook.add_worksheet()
# 검색 결과가 렌더링 될 때까지 잠시 대기
time.sleep(3)
# 현재 페이지
curPage = 1
# 크롤링할 전체 페이지수
totalPage = 2
# 엑셀 행 수
excel_row = 1
# 한 페이지의 게시글 체크용
site_per = 0
# 미융대 게시글 관련
loop_index = 0
worksheet.set_column('A:A', 10) # A 열의 너비 설정
worksheet.set_column('B:B', 10) # B 열의 너비 설정
worksheet.set_column('C:C', 40) # C 열의 너비 설정
worksheet.set_column('D:D', 80) # D 열의 너비 설정
worksheet.write(0, 0, '분류')
worksheet.write(0, 1, '글번호')
worksheet.write(0, 2, '제목')
worksheet.write(0, 3, '링크')
url_list = [
[0, 'https://www.dongguk.edu/mbs/kr/jsp/board/list.jsp?boardId=3646&id=kr_010802000000', '일반공지']
, [0, 'https://www.dongguk.edu/mbs/kr/jsp/board/list.jsp?boardId=3638&id=kr_010801000000', '학사공지']
, [0, 'https://www.dongguk.edu/mbs/kr/jsp/board/list.jsp?boardId=3654&id=kr_010803000000', '입시공지']
, [0, 'https://www.dongguk.edu/mbs/kr/jsp/board/list.jsp?boardId=3662&id=kr_010804000000', '장학공지']
, [0, 'https://www.dongguk.edu/mbs/kr/jsp/board/list.jsp?boardId=9457435&id=kr_010807000000', '국제공지']
, [0, 'https://www.dongguk.edu/mbs/kr/jsp/board/list.jsp?boardId=11533472&id=kr_010808000000', '학술/행사공지']
, [1, 'http://bs.dongguk.edu/bbs/board.php?bo_table=bs5_1', '불교학부']
, [1, 'http://bs.dongguk.edu/bbs/board.php?bo_table=bs5_3', '불교학부']
, [1, 'http://liberal.dongguk.edu/bbs/board.php?bo_table=lib4_1', '문과대학']
, [1, 'http://liberal.dongguk.edu/bbs/board.php?bo_table=lib4_3', '문과대학']
, [1, 'http://science.dongguk.edu/bbs/board.php?bo_table=sci3_1', '이과대학']
, [1, 'http://science.dongguk.edu/bbs/board.php?bo_table=sci3_2', '이과대학']
, [1, 'http://law.dongguk.edu/bbs/board.php?bo_table=law2_1', '법과대학']
, [1, 'http://law.dongguk.edu/bbs/board.php?bo_table=law2_3', '법과대학']
, [1, 'http://law.dongguk.edu/bbs/board.php?bo_table=law2_7', '법과대학']
, [1, 'http://social.dongguk.edu/bbs/board.php?bo_table=social3_1', '사회과학대학']
, [1, 'http://sba.dongguk.edu/bbs/board.php?bo_table=sba4_1', '경영대학']
, [1, 'http://life.dongguk.edu/bbs/board.php?bo_table=life4_1', '바이오시스템대학']
, [1, 'http://life.dongguk.edu/bbs/board.php?bo_table=life4_5', '바이오시스템대학']
, [1, 'http://life.dongguk.edu/bbs/board.php?bo_table=life4_6', '바이오시스템대학']
, [1, 'http://life.dongguk.edu/bbs/board.php?bo_table=life4_7', '바이오시스템대학']
, [1, 'http://edu.dongguk.edu/bbs/board.php?bo_table=edu3_1', '사범대학 ']
, [1, 'http://historyedu.dongguk.edu/bbs/board.php?bo_table=history6_1', '사범대학 역사교육과']
, [1, 'http://historyedu.dongguk.edu/bbs/board.php?bo_table=history6_1_2', '사범대학 역사교육과']
, [1, 'http://historyedu.dongguk.edu/bbs/board.php?bo_table=history6_1_3', '사범대학 역사교육과']
, [1, 'http://art.dongguk.edu/bbs/board.php?bo_table=art4_1', '예술대학']
, [1, 'http://pharm.dongguk.edu/bbs/board.php?bo_table=pharm5_7', '약학대학']
, [1, 'http://pharm.dongguk.edu/bbs/board.php?bo_table=pharm5_1', '약학대학']
, [2, 'https://kor-cre.dongguk.edu/?page_id=282', '문과대학 국어국문문예창작학부']
, [2, 'https://english.dongguk.edu/?page_id=250', '문과대학 영어영문학부']
, [2, 'https://english.dongguk.edu/?page_id=259', '문과대학 영어영문학부']
, [2, 'https://dj.dongguk.edu/?page_id=203', '문과대학 일본학과']
, [2, 'https://dj.dongguk.edu/?page_id=225', '문과대학 일본학과']
, [2, 'https://china.dongguk.edu/?page_id=208', '문과대학 중어중문학과']
, [2, 'https://sophia.dongguk.edu/?page_id=230', '문과대학 철학과']
, [2, 'https://history.dongguk.edu/?page_id=505', '문과대학 사학과']
, [2, 'https://chem.dongguk.edu/?page_id=288', '이과대학 화학과']
, [2, 'https://chem.dongguk.edu/?page_id=288', '이과대학 통계학과']
, [2, 'https://stat.dongguk.edu/?page_id=437', '이과대학 통계학과']
, [2, 'https://math.dongguk.edu/?page_id=260', '이과대학 수학과']
, [2, 'https://physics.dongguk.edu/?page_id=324', '이과대학 물리반도체과학부']
, [2, 'https://physics.dongguk.edu/?page_id=326', '이과대학 물리반도체과학부']
, [2, 'https://politics.dongguk.edu/?page_id=18518', '사회과학대학 정치외교학과']
, [2, 'https://politics.dongguk.edu/?page_id=18522', '사회과학대학 정치외교학과']
, [2, 'https://pa.dongguk.edu/?page_id=233', '사회과학대학 행정학과']
, [2, 'https://nk.dongguk.edu/?page_id=225', '사회과학대학 북한학과']
, [2, 'https://econ.dongguk.edu/?page_id=262', '사회과학대학 경제학과']
, [2, 'https://econ.dongguk.edu/?page_id=297', '사회과학대학 경제학과']
, [2, 'http://itrade.dongguk.edu/?page_id=150', '사회과학대학 국제통상학과']
, [2, 'https://sociology.dongguk.edu/?page_id=211', '사회과학대학 사회학과']
, [2, 'https://welfare.dongguk.edu/?page_id=209', '사회과학대학 사회복지학과']
, [2, 'https://police.dongguk.edu/?page_id=18349', '경찰사법대학 경찰행정학부']
, [2, 'https://mgt.dongguk.edu/?page_id=18326', '경영대학 경영학과']
, [2, 'https://acc.dongguk.edu/?page_id=18334', '경영대학 회계학과']
, [2, 'https://acc.dongguk.edu/?page_id=1087707', '경영대학 회계학과']
, [2, 'https://acc.dongguk.edu/?page_id=18328', '경영대학 회계학과']
, [2, 'http://mis.dongguk.edu/?page_id=269', '경영대학 경영정보학과']
, [2, 'https://bio.dongguk.edu/?page_id=18531', '바이오시스템대학 바이오환경과학과']
, [2, 'https://lifescience.dongguk.edu/?page_id=150', '바이오시스템대학 생명과학과']
, [2, 'https://food.dongguk.edu/?page_id=243', '바이오시스템대학 식품생명공학과']
, [2, 'http://mbt.dongguk.edu/?page_id=241', '바이오시스템대학 의생명공학과']
, [2, 'https://civil.dongguk.edu/?page_id=269', '공과대학 건설환경공학과']
, [2, 'https://civil.dongguk.edu/?page_id=271', '공과대학 건설환경공학과']
, [2, 'https://civil.dongguk.edu/?page_id=273', '공과대학 건설환경공학과']
, [2, 'https://civil.dongguk.edu/?page_id=277', '공과대학 건설환경공학과']
, [2, 'https://archi.dongguk.edu/?page_id=18387', '공과대학 건축공학부']
, [2, 'https://archi.dongguk.edu/?page_id=18394', '공과대학 건축공학부']
, [2, 'https://mecha.dongguk.edu/?page_id=207', '공과대학 기계로봇에너지공학과']
, [2, 'https://mecha.dongguk.edu/?page_id=332', '공과대학 기계로봇에너지공학과']
, [2, 'https://me.dongguk.edu/?page_id=249', '공과대학 융합에너지신소재공학과']
, [2, 'https://dee.dongguk.edu/?page_id=553', '공과대학 전자전기공학부']
, [2, 'https://dee.dongguk.edu/?page_id=555', '공과대학 전자전기공학부']
, [2, 'https://dee.dongguk.edu/?page_id=557', '공과대학 전자전기공학부']
, [2, 'https://ice.dongguk.edu/?page_id=18518', '공과대학 정보통신공학전공']
, [2, 'https://cse.dongguk.edu/?page_id=799', '공과대학 컴퓨터공학전공']
, [2, 'https://cse.dongguk.edu/?page_id=827', '공과대학 컴퓨터공학전공']
, [2, 'https://chembioeng.dongguk.edu/?page_id=207', '공과대학 화공생물공학과']
, [2, 'https://chembioeng.dongguk.edu/?page_id=83742', '공과대학 화공생물공학과']
, [2, 'https://education.dongguk.edu/?page_id=230', '사범대학 교육학과']
, [2, 'https://duce.dongguk.edu/?page_id=245', '사범대학 국어교육과']
, [2, 'https://geoedu.dongguk.edu/?page_id=148', '사범대학 지리교육과']
, [2, 'https://dume.dongguk.edu/?page_id=223', '사범대학 수학교육과']
, [2, 'https://homeedu.dongguk.edu/?page_id=211', '사범대학 가정교육과']
, [2, 'https://pe.dongguk.edu/?page_id=230', '사범대학 체육교육과']
, [2, 'https://theatre.dongguk.edu/?page_id=391', '예술대학 연극학부']
, [3, 'https://comm.dongguk.edu/gnuboard4/bbs/board.php?bo_table=2_5', '사회과학대학 미디어커뮤니케이션학과']
, [3, 'https://comm.dongguk.edu/gnuboard4/bbs/board.php?bo_table=2_5_1', '사회과학대학 미디어커뮤니케이션학과']
, [3, 'https://comm.dongguk.edu/gnuboard4/bbs/board.php?bo_table=2_5_2', '사회과학대학 미디어커뮤니케이션학과']
, [4, 'http://www.donggukfoodindus-edu.com/bbs/board.php?bo_table=table38', '사회과학대학 식품산업관리학과']
, [4, 'http://www.donggukfoodindus-edu.com/bbs/board.php?bo_table=table39', '사회과학대학 식품산업관리학과']
, [4, 'http://www.donggukfoodindus-edu.com/bbs/board.php?bo_table=table40', '사회과학대학 식품산업관리학과']
, [5, 'http://dguadpr.kr/bbs/board.php?bo_table=table31', '사회과학대학 광고홍보학과']
, [5, 'http://dguadpr.kr/bbs/board.php?bo_table=table40', '사회과학대학 광고홍보학과']
, [5, 'http://justice.dongguk.edu/bbs/board.php?bo_table=justice7_1', '경찰사법대학']
, [5, 'https://movie.dongguk.edu/bbs/board.php?bo_table=movie1_3_1', '예술대학 영화영상학과']
, [6, 'https://security.dongguk.edu/bbs/data/list.do?menu_idx=30', '미래융합대학 융합보안학과']
, [6, 'https://swc.dongguk.edu/bbs/data/list.do?menu_idx=46', '미래융합대학 사회복지상담학과']
, [6, 'https://gt.dongguk.edu/bbs/data/list.do?menu_idx=58', '미래융합대학 글로벌무역학과']
, [7, 'http://engineer.dongguk.edu/en5_1', '공과대학']
, [8, 'http://mme.dongguk.edu/k3/sub5/sub1.php?tsort=51&msort=62', '공과대학 멀티미디어공학과']
, [9, 'https://fc.dongguk.edu/bbs/data/list.do?menu_idx=12', '미래융합대학']
, [10, 'https://ai.dongguk.edu/aix6_1', 'AI 융합학부']
, [11, 'http://ise.dongguk.edu/bbs/board.php?bo_table=ise6_1', '공과대학 산업시스템공학과']
, [11, 'http://ise.dongguk.edu/bbs/board.php?bo_table=ise8_7', '공과대학 산업시스템공학과']
, [11, 'http://ise.dongguk.edu/bbs/board.php?bo_table=ise8_7', '공과대학 융합에너지신소재공학과']
]
# 사이트마다 페이징을 위한 변수가 다름.
page_list = [
'&spage=' #0
, '&page=' #1
, '&pageid=' #2
, '&page=' #3
, '&page=' #4
, '&page=' #5
, '&pageIndex=' #6
, '/p' #7
, '&page=' #8
, '&pageIndex=' #9
, '' #10
, '&page=' #11
]
# 크롤링에 사용할 변수 배열
crawl_var_list = [
['#board_list > tbody > tr', 'td', 'td.title > a']
, ['#s_right > div > table > tr > td > form > table > tr', 'td', 'td > a']
, ['#kboard-default-list > div.kboard-list > table > tbody > tr', 'td', '.kboard-list-title > div > a']
, ['.board_list > tr', '.num', 'td.subject > a']
, ['#sh_list_tbl > table > tbody > tr', '.num', '.subject > div > a']
, ['#fboardlist > div > table > tbody > tr', '.td_num', '.td_subject > a']
, ['.module-content > table > tbody > tr', '.latin', '.cell_type > a']
, ['#fboardlist > div.bo_list > ul > li', '.mobile_none', '.bo_tit > a']
, ['#inner_wrap > div.rightW > div.sub_con > div.board_listW > table > tbody > tr', '.w_cell', '.subject > a']
, ['#dBody > table > tbody > tr', '.latin', '.cell_type > a']
, ['#fboardlist > div.bo_list > ul > li', '.mobile_none', '.bo_tit > a']
, ['', 'td', 'td > a']
]
# 데이터베이스에 저장할 게시글의 링크용
link_list = [
'https://www.dongguk.edu/mbs/kr/jsp/board/'
, ''
, 'origin'
, ''
, 'perfect'
, 'perfect'
, ''
, 'perfect'
, 'origin'
, ''
, 'perfect'
, ''
]
for list in url_list:
# url_list가 2차원 배열이므로, 공지사항 링크를 변수 url에 저장
url = list[1]
# 현재 사이트 type 저장
now_site_type = list[0]
# url_list의 loop를 돌면서 url이 변경될 때 마다 현재 페이지를 1로 설정
curPage = 1
# url_list의 loop를 돌면서 url이 변경될 때 마다 크롤링 한 게시글의 개수 파악
site_per = 0
while curPage <= totalPage:
# 페이지 번호 출력
print('\n----- Current Page : {}'.format(curPage), '------\noriginal url : ' + url)
# 변경된 url에 페이지 번호를 붙임
if now_site_type == 10:
url_change = url
else:
url_change = url + page_list[now_site_type] + f'{curPage}'
print('changed url : ' + url_change + '\n-------------------------------------------------')
# 페이지가 변경됨에 따라 delay 발생 시킴
time.sleep(3)
# 변경된 url로 이동하여 크롤링하기 위해 html 페이지를 파싱
html = urllib.request.urlopen(url_change).read()
soup = BeautifulSoup(html, 'html.parser')
# 게시글 리스트 선택
if now_site_type == 11:
board_list = soup.find('form').find_all('tr')
else:
board_list = soup.select(crawl_var_list[now_site_type][0])
# 카테고리 정보는 크롤링하지 않고 2차원 배열에 저장한 값을 읽음.
category = list[2]
for board in board_list:
# 고정된 공지는 td > img 형태인데, 이를 text로 변환하면 공백이 됨
# type3는 None 값이 발생하여 예외처리
if now_site_type == 3:
notice = board.select_one(crawl_var_list[now_site_type][1])
else:
notice = board.select_one(crawl_var_list[now_site_type][1]).text.strip()
if (now_site_type == 6 or now_site_type == 8 or now_site_type == 9) and notice == "":
notice = "공지"
if notice == "" or notice is None or notice == "번호": # 공백인 경우 고정공지이므로 크롤링 하지 않음
continue
else: # 값이 있는 경우 일반공지로, 크롤링 진행
# type3는 None 값이 발생하여 예외처리
if now_site_type == 3:
notice = notice.text.strip()
# 게시글 제목
name = board.select_one(crawl_var_list[now_site_type][2]).text.strip()
# 게시글 링크는 경우에 따라 편집 필요
# 1) 공백이면 편집
if link_list[now_site_type] == '':
if now_site_type == 1 or now_site_type == 3 or now_site_type == 11:
link = url_change + '&' + board.select_one(crawl_var_list[now_site_type][2]).get('href')[17:]
elif now_site_type == 6:
link_origin = board.select_one(crawl_var_list[now_site_type][2]).get('href')
link1 = link_origin[20:32]
link2 = link_origin[35:47]
# 미래융합대학 학과별 사이트 상세링크 관련
detail_url = [
'https://security.dongguk.edu/bbs/data/view.do?menu_idx=30'
, 'https://swc.dongguk.edu/bbs/data/view.do?menu_idx=46'
, 'https://gt.dongguk.edu/bbs/data/view.do?menu_idx=58'
]
link = detail_url[loop_index] + f'&pageIndex={curPage}&bbs_mst_idx={link1}&data_idx={link2}'
elif now_site_type == 9:
link_origin = board.select_one('.cell_type > a').get('href')
link1 = link_origin[20:32]
link2 = link_origin[35:47]
link = f'https://fc.dongguk.edu/bbs/data/view.do?&pageIndex={curPage}&menu_idx=12&bbs_mst_idx={link1}&data_idx={link2}'
# 2) origin이면 기존 사이트 url 사용
elif link_list[now_site_type] == 'origin':
link = url + board.select_one(crawl_var_list[now_site_type][2]).get('href')
# 3) perfect면 a 태그의 url 그대로 사용
elif link_list[now_site_type] == 'perfect':
link = board.select_one(crawl_var_list[now_site_type][2]).get('href')
# 4) 특정 url 사용
else:
link = link_list[now_site_type] + board.select_one(crawl_var_list[now_site_type][2]).get('href')
print('[' + notice + ']' + name + ' >> ' + link)
# 엑셀 저장(텍스트)
worksheet.write(excel_row, 0, category) # 분류
worksheet.write(excel_row, 1, notice) # 글번호
worksheet.write(excel_row, 2, name) # 제목
worksheet.write(excel_row, 3, link) # 링크
# 엑셀 행 증가
excel_row += 1
# 크롤링 한 게시글 개수 증가
site_per += 1
# 현재 페이지의 게시글을 크롤링하는 for loop 종료
# 페이지 수 증가
curPage += 1
if now_site_type == 2 or now_site_type == 6:
if site_per < 10:
print('------------------ 게시글 개수가 적어서 현재 페이지에서 크롤링 종료 (10) ------------------')
break
else:
if site_per < 15:
print('------------------ 게시글 개수가 적어서 현재 페이지에서 크롤링 종료 (15) ------------------')
break
if curPage > totalPage:
print('------------------ ' + category + ' 크롤링 종료 ------------------')
break
# 3초간 대기
time.sleep(3)
# 미래융합대학 학과별 사이트 상세링크 관련
if now_site_type == 6:
loop_index += 1
print("~~~ 크롤링 끄읕 !!!")
# BeautifulSoup 인스턴스 삭제
del soup
# 엑셀 파일 닫기
workbook.close() # 저장