[티스토리 게시글 추천 시스템 만들기] #2 크롤링해서 HDFS에 Parquet으로 저장

2021.03.24 - [✎ 21.上/Data] - [티스토리 게시글 추천 시스템 만들기] #1 계획

 

한글만 분석하기 위해 한글 형태소 분석기를 사용했다. 나는 이 중에 정규화까지 가능하다는 OKT를 사용했다.

tag Package — KoNLPy 0.5.2 documentation

사실.. HDFS에 저장할 필요도 없이 바로 HIVE로 쏠까 했는데 다 한번씩 만져보고싶어서 HDFS에 중간에 한번 저장하는 과정을 거쳤다.

from typing import List, Optional
from bs4 import BeautifulSoup
import requests
import logging
import re
from konlpy.tag import Okt
from pyspark.sql import SparkSession
from tqdm import tqdm
 
logger = logging.getLogger()
 
 
def analysis_nlp(texts: List) -> List:
    okt = Okt()
    article_pos_list = []
    for text in texts:
        article_pos = okt.pos(text)
        if article_pos:
            for pos in article_pos:
                article_pos_list.append({"morpheme": [pos[1]], "text": [pos[0]]})
 
    return article_pos_list
 
 
def get_content_main(post_num: int) -> List:
    contents: List = [""] * 500
    for num in tqdm(range(1, post_num)):
        result = get_content(num)
        if result:
            contents[num]: Optional[List] = result
        else:
            logger.warning("존재하지 않는 게시글입니다.")
 
    total_pos = []
    for content in contents:
        if content:
            nlp_set: list = analysis_nlp(content)
            total_pos.extend(nlp_set)
 
    return total_pos
 
 
def get_content(post_num: int) -> Optional[List]:
    url: str = "https://weejw.tistory.com/%d" % post_num
    content = requests.get(url).content
    logger.info("URL:%s" % url)
 
    soup = BeautifulSoup(content, 'html.parser')
    exists_post = soup.select_one('div.absent_post')
 
    if exists_post is not None:
        return None
 
    contents = soup.select_one('div.tt_article_useless_p_margin')
    if contents is None:
        return None
 
    results: str = str(contents.findAll('p'))
    results: List = re.sub('<.+?>', '', results).replace("[", "").replace("]", "").split(",")
    results: List = [result for result in results if (result not in ['', ' '])]
 
    return results if results else None
 
 
def get_spark_session():
    app_name = "Python Example - PySpark Parsing Dictionary as DataFrame"
    master = "local"
    spark = SparkSession.builder \
        .appName(app_name) \
        .master(master) \
        .getOrCreate()
 
    return spark
 
 
def log_init():
    logger.setLevel(logging.INFO)
    formatter = logging.Formatter('%(asctime)s [%(levelname)s]: %(message)s')
    stream_handler = logging.StreamHandler()
    stream_handler.setFormatter(formatter)
    logger.addHandler(stream_handler)
 
 
def main():
    log_init()
    spark = get_spark_session()
    #total_pos = get_content_main(post_num=500)
    #spark_df = spark.createDataFrame(total_pos)
    file_path = "hdfs://localhost:9000/user/jiwonwee/crawler_data/crawler_data.parquet"
    # HDFS에 파일 저장
    spark_df.write.parquet(file_path)
 
if __name__ == '__main__':
    main()

 

HDFS에 저장된 파일을 다시 불러와서 출력하면 다음과 같다. 굿 ^_^ 

spark_df = spark.read.parquet(file_path)
spark_df.show()

REFERENCES

[Python] 한국어 형태소 분석기 체험 및 비교(Okt, Mecab, Komoran, Kkma)

macOS에서 Hadoop 설치하기

hadoop - HBase 및 Parquet 파일에 데이터 저장 - IT 툴 넷

apache-spark 시작하기(Macbook), spark 설치, pyspark