메타크롤러 (with. puppeteer)

📎도커 컨테이너로 배포할 것이라 NodeJS 사전준비 방법

🤔 왜? 무엇 때문에

SEO Preview link 만들기

해당 프로젝트에서 사용할 SEO관련 메타 정보를 가져오는 방법을 모색하다가 크롤링 후 정보 가공한다음 데이터를 보내주는 API 서버를 제작하는 것을 생각했다.

🔍 어떤 것들이 있을까?

크롤링하면 항상 머릿속에는 Python Selenium이 있었습니다. 하지만 제가 잘 활용하는 언어인 자바스크립트로는 크롤링 방법이 없을까? 살펴보았습니다.

Phantom JS

PhantomJS는 JavaScript로 스크립트 가능한 Headless Webkit입니다.
수백 명의 개발자와 수십 개의 조직에서 웹 관련 개발 워크 플로우를 위해 사용합니다.

Puppeteer

Puppeteer는 DevTools 프로토콜을 통해 헤드리스 Chrome을 제어하기 위한 고급 API를 제공하는 노드 라이브러리입니다.

Headless Chrome을 사용하도록 구성할 할 수도 있습니다.

Cheerio

Cheerio는 마크 업을 구문 분석하고 데이터 구조를 순회 / 조작하기위한 API를 제공합니다. 웹 브라우저처럼 결과를 해석하지 않습니다. 특히 시각적 렌더링을 생성하거나 CSS를 적용하거나 외부 리소스를 로드하거나 JavaScript를 실행하지 않습니다. 기능이 필요한 경우 PhantomJS 또는 JSDom 과 같은 프로젝트를 고려해야합니다.

osmosis

검색속도, 파싱속도, JQuery, Cheerio or JSDom과 같은 큰 종속성이 없다고 장점으로 내새움

이 중에서 제가 선택한 것은 Puppeteer였습니다.

SPA와 같은 사이트를 크롤링 할 수도있다.
지인에게 추천받은 라이브러리
노드에서 구성하기에 좋은 예제들이 많음
매우 잘 정리되어있는 공식문서

🤡 Puppeteer 특징

puppeteer는 Headless Chrome 혹은 Chromium을 제어하도록 도와주는 라이브러리다.
해당 라이브러리는 아래와 같은 특징이있다.

SPA 화면의 렌더링 가능
렌더링 후 키보드, 마우스 입력 제어
웹 페이지의 자동 테스트 도구 제작 가능
각각의 웹페이지 크롤링 가능
접속한 페이지를 스크린샷 or PDF로 제작가능

Headless Browser

CLI에서 작동하는 브라우저이다.
백그라운드에서 동작하며, 일반적인 브라우저와 같이 웹페이지에 접속하여 HTML, CSS으로 DOM Tree와 CSSOM Tree를 만들고 JS 엔진을 구동한다.

👨‍💻 본격 NodeJS 구성

Puppeteer를 사용해서 데이터 구성

const puppeteer = require('puppeteer');
(async () => {
  // 브라우저 셋팅
  const browser = await puppeteer.launch({
    args: ['--no-sandbox', '--disable-setuid-sandbox'],
  });
  // 새로운 페이지 new tab?
  const page = await browser.newPage();
  await page.goto(url);
})();Code language: JavaScript (javascript)

위와 같이 puppeteer로 Headless 브라우저를 실행시키고 페이지를 열어서 이동

여기서 launch({...args})를 넣어준 이유는 NodeJS를 도커 컨테이너에 띄워서 사용할 예정이라 실행되는 환경이 UNIX입니다. 그래서 해당 옵션들을 넣어줬습니다.

Puppeteer는 $eval('css selector',)똑같이 한가지 요소를 선택해서 요소에대해 작업할 수있습니다.
$ $$ $eval() $$eval() 이렇게 전체 선택 및 단일 선택 구분지어서 사용 가능

예:

// Meta data
const meta = await page.$$eval(`meta[property*='og:']`, data =>
  data.map(d => {
    let data = {};
    const keyRegExp = new RegExp('og:(.+)');
    const key = keyRegExp.exec(d.getAttribute('property'));
    const value = d.getAttribute('content');
    data[key[1]] = value;
    return data;
  }),
);Code language: JavaScript (javascript)

// 파비콘 찾고 추가
await page
  .$eval(`link[rel~='icon']`, el => {
    return el.href;
  })
  .then(favicon => {
    meta.push({ favicon });
  })
  .catch(err => err);Code language: JavaScript (javascript)

이런 방식으로 선택해서 객체로 셋팅

이미지 저장?

이미지 저장에있어서 어떻게 구현 할지 고민하였습니다. 어떤 폴더구조를 가지고 중첩되지 않게 구현할 수 있을까?
노션에서는 어떻게 구현하였을까?

살펴보니까 제가 크롤링하려는 대상 URL을 그대로 폴더이름에 적용시켜서 가져오는 것으로 구현되어있었습니다. 그래서 저도 Best Practice 를 따라 구현 시작!

파일 및 폴더 이름설정 오류 fix

파일 및 폴더에는 : /와 같은 문제를 사용할 수 없습니다.
해당 문제는 : /를 16진수의 문자열로 인코딩하는 방식을 사용
한글 URL의 경우 인코딩한 문자열로 변환하여 저장

데이터 return

크롤링으로 <meta>를 객체로 받아와서 res.json(meta) 보내주면 끝!

🏷 배포 – Dockerfile

배포는 왜? Dockerfile?

현재 NodeJS에 관련된 코드들을 서버에 올려서 관리한다고 생각해 보았습니다. 그러면 코드를 양쪽에서 일치하게 관리해줘야 하는 부담이 있었습니다. 그래도 배운 것 중에 도커 컨테이너로 애플리케이션을 관리하는 것들을 많이 해보아서 도커 이미지로 만들어서 사용하면 따로 서버 쪽에서 코드 관리에 대한 부담이 줄어들 것 같아서 도커 이미지로 배포하기로 하였습니다.

Puppeteer NodeJS Chrome 종속성 오류

📎Chrome Headless는 UNIX에서 시작되지 않습니다.
📎Chrome Headless는 Windows에서 시작되지 않습니다.

공식 홈페이지에서 UNIX 환경에서는 Chrome Headless가 시작되지 않는다 경고하였습니다.
그래서 도커 이미지에서 미리 크롬 종속성 관련 어플리케이션들을 설치해야합니다.

https://paul.kinlan.me/hosting-puppeteer-in-a-docker-container/

# Install latest chrome dev package and fonts to support major 
# charsets (Chinese, Japanese, Arabic, Hebrew, Thai and a few others)
# Note: this installs the necessary libs to make the bundled version 
# of Chromium that Puppeteer
# installs, work.
RUN apt-get update && apt-get install -yq libgconf-2-4
RUN apt-get update && apt-get install -y wget --no-install-recommends \
  && wget -q -O - https://dl-ssl.google.com/linux/linux_signing_key.pub | apt-key add - \
  && sh -c 'echo "deb [arch=amd64] http://dl.google.com/linux/chrome/deb/ stable main" >> /etc/apt/sources.list.d/google.list' \
  && apt-get update \
  && apt-get install -y google-chrome-unstable fonts-ipafont-gothic fonts-wqy-zenhei fonts-thai-tlwg fonts-kacst ttf-freefont \
  --no-install-recommends \
  && rm -rf /var/lib/apt/lists/* \
  && apt-get purge --auto-remove -y curl \
  && rm -rf /src/*.debCode language: PHP (php)

해당 아티클을 참고하여 Dockerfile의 위 코드를 인용하여 도커 이미지를 빌드하였습니다.