From c34dc177fd2f03a68dfc44ba45a64282523c217b Mon Sep 17 00:00:00 2001 From: happybell80 Date: Fri, 5 Sep 2025 21:11:29 +0900 Subject: [PATCH] =?UTF-8?q?docs:=20=EC=B5=9C=EC=86=8C=20=EA=B5=AC=EC=84=B1?= =?UTF-8?q?=EC=9C=BC=EB=A1=9C=2009:00=20=ED=97=A4=EB=93=9C=EB=9D=BC?= =?UTF-8?q?=EC=9D=B8=20=EC=A0=84=EB=8B=AC=20=EC=84=A4=EA=B3=84=20=EC=A0=95?= =?UTF-8?q?=EB=A6=AC=20(naver=20fetch-headlines)?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- .../250904_naver_blog_rss_limitation.md | 58 --------------- ...aver_rss_playwright_0900_slack_delivery.md | 72 +++++++++++++++++++ 2 files changed, 72 insertions(+), 58 deletions(-) delete mode 100644 troubleshooting/250904_naver_blog_rss_limitation.md create mode 100644 troubleshooting/250905_happybell80_naver_rss_playwright_0900_slack_delivery.md diff --git a/troubleshooting/250904_naver_blog_rss_limitation.md b/troubleshooting/250904_naver_blog_rss_limitation.md deleted file mode 100644 index 1bec057..0000000 --- a/troubleshooting/250904_naver_blog_rss_limitation.md +++ /dev/null @@ -1,58 +0,0 @@ -# 네이버 블로그 RSS 피드 내용 제한 문제 - -## 작성일: 2025-09-04 -## 상태: 🟡 해결방안 제시 -## 영향: 스타트업 뉴스 자동화 제한 - -## 문제 -- **대상 블로그**: 깡프로 스타트업 트렌드 연구소 (https://blog.naver.com/startupventure) -- **RSS 피드**: https://rss.blog.naver.com/startupventure.xml -- **증상**: 블로그 본문 20개 뉴스 중 RSS description에는 8개만 포함 -- **원인**: 네이버 RSS 피드의 description 필드 크기 제한 - -## 분석 결과 -```xml - - -]]> - -``` - -## 네이버 블로그 파싱 제약 -1. **JavaScript 동적 렌더링**: 정적 HTML 파싱 불가 -2. **iframe 구조**: 실제 콘텐츠가 iframe 내부에 위치 -3. **스크래핑 방지**: User-Agent 체크, Rate limiting - -## 해결 방안 - -### 1. Playwright 브라우저 자동화 (추천) -- JavaScript 렌더링 완료 후 DOM 파싱 -- 전체 20개 뉴스 항목 추출 가능 -- 매일 자동 실행으로 슬랙 뉴스봇 구현 - -### 2. RSS + Playwright 하이브리드 -- RSS로 최신 포스트 URL 획득 -- Playwright로 해당 URL 방문하여 전체 내용 파싱 - -### 3. RSS만 활용 (제한적) -- 8개 헤드라인만으로 운영 -- 중요 뉴스는 대부분 상단에 위치하므로 실용적 - -## 테스트 코드 필요 -Playwright를 사용한 네이버 블로그 파싱 가능성 검증 필요 - -## 관련 서비스 -- skill-news: 뉴스 수집 및 슬랙 전송 서비스 -- 로빙 슬랙봇: 뉴스 전달 담당 - -## 확인된 사실 (핵심) -- 대상 RSS: https://rss.blog.naver.com/startupventure.xml (description 필드 크기 제한으로 약 8개 항목만 포함) -- 서비스/서버: skill-news (51124, 192.168.219.52), 포트 8505 -- 헬스/파이프라인 엔드포인트: `GET /health`, `POST /api/news/search`, `POST /api/news/process/all`, `GET /api/news/latest`, `GET /api/news/status` -- Chroma 볼륨 매핑(docker-compose): 호스트 `./data` ↔ 컨테이너 `/app/data` -- 경로/파일(데이터 영속): 컨테이너 `/app/data/chroma` ↔ 호스트 `/home/admin/ivada_project/skill_news/data/chroma/chroma.sqlite3` (확인 시 ~651KB) -- 주요 환경변수(기본값): `CHROMA_DB_PATH=/app/data/chroma`, `CHROMA_COLLECTION_NAME=news_articles` diff --git a/troubleshooting/250905_happybell80_naver_rss_playwright_0900_slack_delivery.md b/troubleshooting/250905_happybell80_naver_rss_playwright_0900_slack_delivery.md new file mode 100644 index 0000000..95665ca --- /dev/null +++ b/troubleshooting/250905_happybell80_naver_rss_playwright_0900_slack_delivery.md @@ -0,0 +1,72 @@ +# 평일 09:00 Slack 뉴스 전달을 위한 네이버 RSS+Playwright 수집 설계 + +## 작성일: 2025-09-05 +## 상태: 해결방안 확정·구현 계획 수립 + +## 목표 +- 평일 09:00에 컴퍼니엑스 Slack 채널과 각자 DM으로 당일 스타트업 뉴스를 전송한다. +- 소스는 네이버 블로그 ‘깡프로 스타트업 트렌드 연구소’의 당일 포스트다. + +## 문제 요약 +- RSS: https://rss.blog.naver.com/startupventure.xml +- RSS `description`이 약 8개 항목에서 절단되어 본문(20개+)이 누락된다. +- 실제 본문은 블로그 페이지 내 `PostView.naver` iframe에 포함되어 정적 파싱으로는 불완전하다. + +## 최소 구성(가장 단순) +- 목적: 저장을 생략하고, 09:00에 “제목+링크 목록(Slack 텍스트/JSON)”만 생성해 상위가 전송. +- 입력: ENV `NAVER_RSS_URL`(기본값), 요청 `date(YYYY-MM-DD)|today`, `format(json|slack)`. +- 처리: RSS→당일 포스트 URL→Playwright로 `PostView.naver` iframe 렌더링→제목+원문 링크(+순서) 추출. +- 출력: JSON `{success,count,items:[{title,url,position}]}` 또는 Slack 텍스트(`• ` 리스트). +- 저장: 기본 비저장(가장 단순). 옵션 `STORE_MINIMAL=true` 시 Chroma에 최소 메타 저장(idempotent 보조). + +## 확정된 사실(코드/실측) +- skill-news 서비스 포트: 8505 (`/health`, `/api/news/...`). +- Endpoints: `/api/news/search`, `/latest`, `/summarize`, `/status`, `/process/all`, `/search/similar`. +- 데이터 영속: ChromaDB `CHROMA_DB_PATH=/app/data/chroma`, 컬렉션 `news_articles`. +- Playwright 사용 가능(Chromium headless, iframe 내 본문 접근 검증 완료). + +## 해결 전략(하이브리드) +1) RSS로 당일 포스트 URL만 획득한다. +2) 해당 포스트의 `PostView.naver` iframe을 Playwright로 렌더링하여 리스트형 항목의 제목과 기사 원문 링크를 모두 추출한다. +3) 추출 항목을 중복 제거·정규화 후 최소 메타데이터로 ChromaDB에 저장(재실행 안전성 확보). +4) Slack 포맷 텍스트( `` 리스트 )와 JSON을 모두 제공한다. +5) 상위 로빙/슬랙봇이 채널/DM 전송을 담당(HTTP API만으로 연동). + +## API 설계(HTTP 전용) +- `POST /api/news/naver/fetch-headlines` (최소 경로) + - 요청: `{ "date": "YYYY-MM-DD", "source": "startupventure", "format": "json|slack" }` + - 응답(JSON): `{ success, count, items: [{title, url}], message? }` + - 응답(Slack): `text` 필드에 불릿 리스트 문자열 포함. +- `GET /api/news/naver/latest` + - 당일/최근 포스트 기준 재생성 없이 캐시된 결과 반환. + +## 파싱 규칙(함수형·환경주입) +- 입력: `rss_url`, `date`, `max_items`, `timeout`은 ENV → 요청값으로 오버라이드. +- 출력: 순수 데이터(제목, URL) 리스트. 상태 저장은 호출자(데이터 매니저)가 수행. +- 셀렉터 전략: 번호형 텍스트 패턴 탐지 + 앵커 태그의 절대 URL 보정. +- 예외: 네트워크/구조 변경 시 빈 리스트와 원인 메시지 반환(부작용 없음). + +## 스케줄링/흐름(평일 09:00) +1) 스케줄러(Gitea Actions 혹은 상위 컨트롤러)가 09:00에 `POST /api/news/naver/fetch` 호출. +2) 응답을 받아 채널용 메시지와 DM용 메시지를 구성(상위 로직). +3) Slack 전송 성공/실패 로그를 상위에서 저장. skill-news는 수집·정규화에 집중. + +## 운영 포인트 +- 재시도: 3회(지수 백오프), 실패 시 캐시 결과 반환. +- 속도제한: 항목 간 `sleep(0.5~1.0s)`로 요청 간격 조절. +- 중복: 제목+URL 해시로 식별, 이미 저장된 항목은 건너뜀. +- 관찰성: `/api/news/status`에 수집/요약 카운터와 최신 시각 반영. + +## 검증 시나리오(curl) +- 수집: `curl -X POST http://localhost:8505/api/news/naver/fetch -H 'Content-Type: application/json' -d '{"date":"2025-09-05","source":"startupventure","format":"slack"}'` +- 상태: `curl http://localhost:8505/api/news/status` + +## 리스크 및 대응 +- 네이버 마크업 변경: 셀렉터 다중화, 본문 fallback(전체 body 텍스트) 적용. +- 일시적 차단: User-Agent/Referer 설정과 백오프 재시도. +- RSS 지연: 당일 포스트 미등재 시 전일 18시~당일 09시 범위 탐색 후 빈 결과 처리. + +## 다음 단계 +- `naver/fetch` 엔드포인트 구현(함수형), 데이터 매니저에 아이템 최소 저장 로직 보강. +- 슬랙 포맷 메시지 빌더 추가 또는 기존 `format=slack` 경로 재사용. +- Gitea 스케줄 워크플로에 09:00 평일 트리거 추가(롤백·로그 포함).