Skip to content
튜토리얼
Python
Python으로 Beautiful Soup 속도 향상시키기: 웹 스크래핑 효율 높이기!

Python으로 Beautiful Soup 속도 향상시키기: 웹 스크래핑 효율 높이기!

Rajiv Chandra
Name
Rajiv Chandra

Published on

웹 스크래핑은 데이터 과학자의 강력한 도구입니다. 웹에서 데이터를 추출하고 조작하여 다양한 응용 프로그램을 가능하게 합니다. Python에서 웹 스크래핑을 위해 가장 인기 있는 라이브러리 중 하나는 Beautiful Soup입니다. 그러나 모든 도구와 마찬가지로 성능 문제가 발생할 수 있습니다. 이 글에서는 Beautiful Soup을 더 빠르게 사용하여 웹 스크래핑 효율을 향상시키는 방법을 살펴보겠습니다.

Beautiful Soup은 HTML 및 XML 파일에서 데이터를 추출하기 위해 사용되는 Python 라이브러리입니다. 페이지 소스 코드로부터 파싱 트리를 생성하여 데이터를 계층적이고 더 가독성 있게 추출할 수 있습니다. 그러나 때로는 Beautiful Soup이 느릴 수 있습니다. 데이터 양이 많거나 복잡한 웹 스크래핑 작업을 실행할 때 문제가 될 수 있습니다.

Python Pandas 데이터프레임으로 코드 없이 데이터 시각화를 빠르게 생성하고 싶나요?

PyGWalker는 시각적 탐색적 데이터 분석을 위한 Python 라이브러리입니다. PyGWalker (opens in a new tab)는 pandas 데이터프레임 (및 polars 데이터프레임)을 Tableau 스타일의 사용자 인터페이스로 변환하여 Jupyter Notebook 데이터 분석 및 데이터 시각화 워크플로우를 간소화할 수 있습니다.

PyGWalker for Data visualization (opens in a new tab)

다른 파서를 사용하여 Beautiful Soup 속도 향상시키기

Beautiful Soup을 더 빠르게 사용하는 방법 중 하나는 다른 파서를 사용하는 것입니다. Beautiful Soup은 여러 가지 파서를 지원하지만, 가장 일반적으로 사용되는 것은 Python의 기본 HTML 파서와 lxml입니다. 첫 번째 소스에 따르면 lxml을 사용하면 Beautiful Soup 파싱 속도가 10배 빨라집니다. 이는 lxml이 C로 작성되어 있고 Python보다 초당 작업 수가 더 많이 처리되기 때문입니다. Beautiful Soup에서 lxml을 사용하려면 설치하기만 하면 됩니다 (pip install lxml) 그리고 Beautiful Soup 객체를 생성할 때 지정하면 됩니다:

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_content, 'lxml')

캐싱 라이브러리를 사용하여 Beautiful Soup 속도 향상시키기

캐싱은 데이터를 임시 저장 영역인 캐시에 저장하여 나중에 더 빠르게 액세스할 수 있도록 하는 기술입니다. 웹 스크래핑의 경우, 캐싱은 BeautifulSoup의 성능을 크게 향상시킬 수 있습니다.

Python에서 가장 인기 있는 캐싱 라이브러리 중 하나는 requests-cache입니다. 이는 요청에 대한 투명한 캐싱 레이어를 제공합니다. BeautifulSoup과 함께 사용하는 방법은 다음과 같습니다:

import requests
import requests_cache
from bs4 import BeautifulSoup
 
# 24시간 유지되는 캐시 생성
requests_cache.install_cache('my_cache', expire_after=86400)
 
# 일반적인 방법으로 requests 사용
url = "http://example.com"
response = requests.get(url)
soup = BeautifulSoup(response.text, 'lxml')

이 예제에서는 스크립트를 처음 실행할 때, requests-cache가 'my_cache'에 결과를 저장합니다. 24시간 이내에 스크립트를 다시 실행하면 requests-cache가 캐시된 결과를 사용하여 스크립트가 더 빠르게 실행됩니다.

CDN 및 프록시 서버를 사용하여 Beautiful Soup 속도 향상시키기

CDN(Content Delivery Network)은 프록시 서버와 데이터 센터로 구성된 지리적으로 분산된 네트워크입니다. 서비스의 가용성과 성능을 최적화하기 위해 엔드 유저와 공간적으로 분산됩니다. Beautiful Soup의 경우, CDN은 요청의 대기 시간을 줄여 성능을 향상시키는 데 도움이 될 수 있습니다.

프록시 서버는 클라이언트의 요청을 다른 서버로부터 리소스를 가져오는 중개 서버입니다. Beautiful Soup과 함께 사용하면 프록시 서버는 요청의 부하를 분산시키고 Beautiful Soup의 성능을 향상시킬 수 있습니다.

다음은 Beautiful Soup과 프록시 서버를 사용하는 예시입니다:

import requests
from bs4 import BeautifulSoup
 
proxies = {
  'http': 'http://10.10.1.10:3128',
  'https': 'http://10.10.1.10:1080',
}
 
url = "http://example.com"
response = requests.get(url, proxies=proxies)
soup = BeautifulSoup(response.text, 'lxml')

이 예시에서는 proxies 딕셔너리에 지정된 프록시 서버를 통해 요청이 전송됩니다. 이를 통해 요청의 부하를 분산시키고 BeautifulSoup의 성능을 향상시킬 수 있습니다.

세그먼트 5: 멀티스레딩을 사용하여 Beautiful Soup 최적화하기

멀티스레딩은 하나의 코드 세트를 여러 프로세서에서 다른 실행 단계에서 사용할 수 있는 기술입니다. 특히 대량의 데이터를 처리하거나 복잡한 웹 스크래핑 작업을 실행할 때 BeautifulSoup 작업의 성능을 크게 향상시킬 수 있습니다.

Python에서는 concurrent.futures 모듈을 사용하여 스레드 풀을 생성하고, 각 스레드가 별도의 BeautifulSoup 작업 인스턴스를 실행할 수 있습니다. 다음은 예시입니다:

import requests
from bs4 import BeautifulSoup
from concurrent.futures import ThreadPoolExecutor
 
def fetch_url(url):
    response = requests.get(url)
    return response.text
 
def parse_html(html):
    soup = BeautifulSoup(html, 'lxml')
    # BeautifulSoup 작업을 수행합니다
 
urls = ["http://example.com/page1", "http://example.com/page2", "http://example.com/page3"]
 
with ThreadPoolExecutor(max_workers=5) as executor:
    htmls = executor.map(fetch_url, urls)
    for html in htmls:
        parse_html(html)

이 예시에서 ThreadPoolExecutor는 5개의 스레드 풀을 생성합니다. map 함수는 urls 리스트의 각 URL에 fetch_url 함수를 적용하고, 작업을 스레드 풀 내의 스레드에 분산시킵니다. 이를 통해 여러 URL을 동시에 가져와 분석할 수 있으며, 전체 작업을 가속화할 수 있습니다.

자주 묻는 질문 (FAQ)

1. Beautiful Soup은 어떤 파서를 지원하나요?

Beautiful Soup은 'html.parser', 'lxml', 'xml', 'html5lib'와 같은 다양한 파서를 지원합니다. 'lxml' 파서는 속도와 효율성이 뛰어나며, 'html5lib'은 웹 브라우저와 유사하게 HTML을 파싱합니다.

2. Beautiful Soup을 더 빠르게 사용하는 방법은 무엇인가요?

Beautiful Soup을 더 빠

르게 사용하는 방법에는 여러 가지가 있습니다. 'lxml'과 같은 빠른 파서를 사용하는 방법이 있으며, 요청 결과를 캐싱하는 'requests-cache'와 같은 캐싱 라이브러리를 사용하는 방법도 있습니다. 또한 CDN이나 프록시 서버를 사용하여 요청의 대기 시간을 줄일 수도 있습니다.

3. 캐싱 라이브러리를 사용하면 실제로 성능이 향상되나요?

네, 캐싱 라이브러리를 사용하면 Beautiful Soup의 성능을 크게 향상시킬 수 있습니다. 'requests-cache'와 같은 캐싱 라이브러리는 요청 결과를 캐시에 저장하여 나중에 더 빠르게 액세스할 수 있습니다.

Python에서의 Side_effect - 무엇인지 알고 어떻게 사용하나요?SVM in Python, What It Is and How to Use It