Wookang makes AI

● 현대경제연구원 보고서 분석 - 문서 전처리 작업 중

1. 아. 헬대. 현다이 ㅅㅂ 내가 현대를 왜 그리 몰랐을까.

데이터들을 한 곳에 모으다가 발견했다. 

그 동안 나는 각 카테고리별로 교집합없이 나눠져 있는 보고서들을 하나로 합치면 모든 보고서들의 합집합을 이룰 수 있을 것이라 동해안의 태양처럼 당연하게 생각했다. 카테고리란 그런거니까. 나누기 위해 만들어진 것이니까.

방금 발견한 결과는 이런 것이다.

경제 카테고리안의 보고서는 모든 보고서들의 집합이다.

사회문화 카테고리안에 있는 모든 보고서는 경제 카테고리에도 있다. 다른 카테고리에도 있을 확률이 90%이상이다.

산업경영 카테고리안에 있는 모든 보고서는 경제 카테고리에도 있다. 물론 다른 카테고리에도 있을 확률이 두말하면 잔소리다.

ㅅㅂ 통일 카테고리안에 있는 모든 보고서는 경제 카테고리에도 있다. 세말하면 ㅅㅂ이다.

{ 경제 : 2109, 사회문화 : 1421, 산업경영 : 1524, 통일 : 1452 }

보고서들의 전체 숫자가 저리 비슷하다는 것을 몇번이나 확인했으면서도

나는 진짜 중복됐을거라고는 생각하지 않았다. 이게 말이다. 최소한 포유류라면 저렇게 만들지 않기 때문이다.

저럴거면 대체 카테고리를 왜 만들었을까. (각 카테고리별로 보고서가 많은척하려고 그런거냐)

아~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~헬대. 저런 놈들이 연구한 결과를 ㅅㅂ 믿을 수 있겠는가.

너무나 당연하게 생각했기에 카테고리간에는 중복체크 부분을 넣지 않았던 내가 조류다. 내가 닭이야 ㅠ

진짜 의욕이 몽땅 사라졌다.

● 현대경제연구원 분석 중 3

> 작업 중

1. 고통스러운 전처리 작업 시작 .. 대체 내가 왜 이걸 하고 있는 건지 ㅡ,ㅡ

2. 다행히 어젯밤 순식간에 보고서들을 모두 크롤링했다. sleep.time(2)을 주석처리하는 패기! 

> 아래는 파일 정리

경제 = { 전체 : 4300 , 파일 주소 오류 : 146, 파일 다운 오류 : 123, 파일 오류 : 13개, txt로 변환 불가능 : 1912, 유용한 보고서 : 2110 }

사회문화 : { 전체 : 3762 , 파일 주소 오류 : 179, 파일 다운 오류 : 122 , txt로 변환 불가능 : 2010 , 유용한 보고서 : 1572 }

산업경영 : {  전체 : 3731 , 파일 주소 오류 : 142, 파일 다운 오류 : 124 , txt로 변환 불가능 : 2010 , 유용한 보고서 : 1562 }

통일 : { 전체 : 3762, 파일 주소 오류 : 159, 파일 다운 오류 : 176 , txt로 변환 불가능 : 2010 , 유용한 보고서 : 1562 }

3. 느낀 것은 파일명에 날짜를 넣었던 것이 신의 한수였다는 것.

1993년부터 2001년 2월 22일 전까지 pdf파일들은 현재 있는 어떠한 툴을 써도 txt로 거의 변환하지 못했다. 무엇때문인가 알아보니 이미지를 그대로 스캔해서 pdf로 만들었기 때문이다. 글자인식을 해보라고? 싫다. 안한다. 저 정확한 날짜를 알아낸다고 고생한 것만으로 이미 난 하얗게 됐다. (어떻게 소중한 내 인생ㅜ)

2004년 2월 23일부터 3월 11일까지 만들어진 모든 pdf파일들에 오류가 있었다. (달콤한 내 인생..)

또 이유는 모르겠지만 'Simpo PDF to Text'라는 툴을 쓰면 2005년 1월까지 데이터가 잘 뽑이고 그 이후의 pdf는 'PDF to TEXT'에 비해 질이 많이 떨어진다. 그래서 저 시점을 기준으로 컨버팅 툴을 바꾼다. 이것도 찾아내는데 시작이 엄청 걸렸다 (잘가라 내 인생 ㅠ)

> 정리

2001년 2월 22일을 계기로 그나마 온전한 텍스트 파일이 뽑힌다. [ Simpo PDF to Text 로 변환 - 근데 이 녀석은 뻑이 매우 잘난다ㅜ ]

2005년 2월을 계기로 완전한 텍스트가 뽑힌다. [ PDF to TEXT 로 변환 - 이 놈은 속도가 매우 느리다 ㅠ 왜 자꾸 눙물이]

4. 툴에 오류가 많다. 텍스트 인코딩도 그렇고 파일 누락까지 있다. 그 비율이 2% 정도. 특정 시기에 몰려 있는 문제가 아니라 랜덤하게 발생하는 오류이므로 '통계적'으로 치명적이지 않다. 이 정도는 그냥 넘어가자. 내가 만든 툴도 아니고 자잘하게 손이 계속가서 좀 짜증.

5. 최종 살아남은 txt 파일은 아래와 같다. 전체 갯수는 6506 개다. 처음 예상했던 2만 5천개에서 많이도 줄었다. 그렇다고 고생이 줄진 않았다. 

{ 경제 : 2109, 사회문화 : 1421, 산업경영 : 1524, 통일 : 1452 }

> 결과

1. 종합 결과가 개판이다. 

2. 모든 분야의 키워드 순위가 매우 흡사하다. 하지만 이건 내 잘못이 아니다.

3. (너무나) 이상(하고 실망)해서 리포트들을 읽어봤는데 ㅅㅂ '현대경제연구원'에서 분류한 리포트 자체가 원래 엉망이었다.

 아래 이미지를 보면 분명히 '통일'카테고리인데 그와 전혀 상관없는 보고서들로 가득하다.

4. 2010년 이전 pdf파일들의 포맷이 엉망인게 많은데 그 고생하며 사이트 전체를 크롤링하고 변환하고 그래서 얻은게 겨우 통계적으로 '최신보고서 모음'과 매우 유사한 결과이다. 아래가 결과다.  

경제 형태소 분석

산업경영 형태소 분석

사회문화 형태소 분석

통일 형태소 분석

실제로 리포트를 보면 실물경제, 거기경제, 시장경제등등 경제 무지하게 쓴다.

경제를 연구하랬더니, 경제를 쓰기만 한다ㅡ,ㅡ

> 결론

1. 이럴 바에야 분야 구분없이 그냥 시기별 분석이 나아보인다.

2. 그래서 4개 분야를 모두 합친다. 6,506개 txt파일이다.

3. 앞으로는 2001년부터 2016년까지 연도별로 쪼개서 분석을 진행한다.

4. 빈도순 분석은 이제 그만한다. 재미없다.

5. 기존 보고서 메타 파일과 보고서 형태소 분석 파일을 합쳐 하나의 완성된 파일을 만든다.

 아래와 같은 느낌으로 report를 추가한다. 

{

    "fileName":"2016.06.27[0].pdf",

    "whoID":"이부형 이사대우",

    "magazineID":"VIP Report",

    "dateID":"2016.06.27",

    "fileNum":0,

    "titleID":"일본 고령자 일자리 창출 사례와 시사점",

    "reportURL":"https:\/\/hri.co.kr:442\/download.asp?file_path=%2Fpublication%2F&file_name=201662716126%5B1%5D.pdf"

    "report" : {"text":"한편, 종류별로는 계속고용제도 도입 기업99.2%에           301인비중이       압도적으로 높고, 정년 연장(15.7%)과 정년제 폐지(2.","morphAnal":[[["한편","NNG"],[",","SP"]],[["종류","NNG"],["별","XSN"],["로","JKB"],["는","JX"]],[["계속","NNG"],["고용","NNG"],["제도","NNG"]],[["도입","NNG"]],[["기업","NNG"],["99","SN"],[".","SF"],["2","SN"],["%","SW"],["에","JKB"]],[["301","SN"],["인","NNG"],["비중","NNG"],["이","JKS"]],[["압도","NNG"],["적","XSN"],["으로","JKB"]],[["높","VA"],["고","EC"],[",","SP"]],[["정년","NNG"]],[["연장","NNG"],["(","SS"],["15","SN"],[".","SF"],["7","SN"],["%","SW"],[")","SS"],["과","JC"]],[["정년","NNG"],["제","XSN"]],[["폐지","NNG"],["(","SS"],["2","SN"],[".","SF"]]]}

{"text":"상대적으론99.9%가낮았다.","morphAnal":[[["상대","NNG"],["적","XSN"],["으로","JKB"],["ㄴ","JX"],["99","SN"],[".","SF"],["9","SN"],["%","SW"],["가","JKS"],["낮","VA"],["았","EP"],["다","EF"],[".","SF"]]]}

{"text":"     고용에 대한 영향) 한편, 고연령자고용확보조치 시행에 따라 일본 내에81.7%로                                                      6%)는서도 청년 고용과의 트레이드 오프(trade-off)에 대한 우려가 높았지만 현실화되지는 않았(청년층다.","morphAnal":[[["고용","NNG"],["에","JKB"]],[["대하","VV"],["ㄴ","ETM"]],[["영향","NNG"],[")","SS"]],[["한편","NNG"],[",","SP"]],[["고","XPN"],["연령","NNG"],["자","NNG"],["고용","NNG"],["확보","NNG"],["조치","NNG"]],[["시행","NNG"],["에","JKB"]],[["따르","VV"],["아","EC"]],[["일본","NNP"]],[["내","NP"],["에","JKB"],["81","SN"],[".","SF"],["7","SN"],["%","SW"],["로","JKB"]],[["6","SN"],["%","SW"],[")","SS"],["는","JX"],["서","JKB"],["도","JX"]],[["청년","NNG"]],[["고용","NNG"],["과","JKB"],["의","JKG"]],[["트레이드","NNG"]],[["오프","NNG"],["(","SS"],["trade","SL"],["-","SS"],["off","SL"],[")","SS"],["에","JKB"]],[["대하","VV"],["ㄴ","ETM"]],[["우려","NNG"],["가","JKS"]],[["높","VA"],["았","EP"],["지만","EC"]],[["현실화","NNG"],["되","XSV"],["지","EC"],["는","JX"]],[["않","VX"],["았","EP"],["(","SS"],["청년","NNG"],["층","XSN"],["다","JX"],[".","SF"]]]}}

}

6. 이것을 가지고 magazinID(현대경제연구소에서는 이걸 '보고서명'이라고 한다)별로 키워드 중요도를 산출한다. 이건 아직 해본적이 없으니 궁금하다.

7. 다음 연도별 구분 없이 각 문서들을 군집한다. 문서별로 거리를 측정하고 군집별 중심어휘를 뽑는다.

8. 마지막으로 다음주에 나올 새로운 보고서를 보여주고 어떤 Magazine에서 나온 것인지, 누가 쓴 것인지 맞춰보게한다.

9. 이 다음은 다하고 그때가서 생각해보겠다. 확실하것은 한동안 크롤링과 전처리 작업은 쳐다도 보고 싶지 않다는 것.

10. 그럼 5번부터 시작.

● 현대경제연구원 분석 중 2

> 들어가는 말

1. 키워드 추출이나 보고서 학습을 시키기 위해서는 처음 목표로 했던 문서뿐 아니라 다른 카테고리의 문서들도 많이 필요하다.

2. 그래서 지난 번 안하겠다고 했던 분야별 크롤링을 하기로 했다.

3. 분야는,

{ 경제 : 약 7,200개, 산업경영 : 약 6,500개, 사회문화 : 약 6,300개, 통일 : 약 6,500개 }

보고서 전체 개수는 약 2만5천개 정도가 될 것 같다.

4. 현대경제연구원이 현차나 현중 계열이 아니고(지분관계는 있다만) 고 정주영 할아버지 계열이라 현대아산을 통해 대북사업을 진행하고 있어 (현재는 좀 힘든듯해도) 다른 경제연구소에서는 쳐다도 보지 않는 통일에 대한 보고서가 저리 많다. 훌륭하다.

5. 어차피 이게 내 전공도 아니고 재미로 공부하면서 해보는 것이니 한번 끝까지 파보려고 한다.

6. 보고서 2만5천개라면 하나당 최소 3초만 잡아도 작업시간만 쉬지않고 약 21시간이 걸린다.

7. 그래서 일단 걸어놓기 위해 작업을 빠르게 시작했다.

> 경제파트 post 정보

1. 경제 게시판 페이지 정보

 - secondDepth 가 1이라는 것이 최신보고서 게시판과 다르다.

page_url = "http://hri.co.kr/board/reportList.asp"

numIdx:

skin:

mode:

GotoPage: 2

column:

keyword:

firstDepth:1

secondDepth:1

thirdDepth:

fourthDepth:

boardid: 1,2,8,38,125,126,127,128,129,5,132

sortby:

2. 경제 상세 페이지 정보

- 마찬가지로 url주소와 secondDepth만 다르다.

page_url = "http://hri.co.kr/board/reportView.asp"

numIdx: 25726

skin:

mode:

GotoPage: 4

column:

keyword:

firstDepth:1

secondDepth:1

thirdDepth:

fourthDepth:

boardid:1,2,8,38,125,126,127,128,129,5,132

sortby:

3. 정규표현식 수정

GotoPage = re.findall('\'/board/reportView.asp\',\'1\',\'1\',\'\',\'\',\'\',\'(.*?)\'',html)

- 이 외 나머지는 모두 동일하다. 자료수집 시작.

> 실행

1. 1506번을 기점으로 pdf 주소가 바뀌었다 ㅡ,ㅡ 이 부분에서 정규표현식 수정해서 다시 실행. ㅜ

 - 1553번은 또 정상적으로 들어왔다. 이것만 예외처리.

2. 1552번부터 파일명에 한글이 들어가기 시작했다. 또 에러.

 - urllib.parse.quote_plus(reportID) 를 이용해 reportID를 인코딩해 넘겨준다. 이것도 진짜 한참 찾았다.

3. 현재 경제 파트 보고서 크롤링 모두 완료. 총 4300개다.

게시판 번호와 많이 다른데 처음 페이지 크롤링할때 중복된 것들을 제거하고 가져오기 때문이다. (이런 것들이 매우 많더라)

4. 이제 1/4 끝냈다.

● 현대 경제 연구원 보고서 분석 1

> 들어가며

1. 다시 크롤링을 하기 위해 사이트를 보니 지난 번 내가 분석했던 보고서들은 특정 카테고리의 보고서가 아니라 '최신 보고서'라는 어디에도 없는(?) 카테고리의 보고서들이었다. (즉, 처음 들어보면 '최신연구보고서'만 보여주고 왼쪽의 카테고리를 클릭했을 때 해당 카테고리의 보고서를 보여주는 것이다. 그런데 카테고리 목록에 '최신연구보고서'는 없다 ㅡ,ㅡ 모를 수 밖에 없었다)

2. 지난 번 파일이름을 너무 대충 만들어서 이번에는 제대로 만들어 한번 더 크롤링했다. 아래와 같은 방식이다.

{"reportURL":"https:\/\/hri.co.kr:442\/download.asp?file_path=%2Fpublication%2F&file_name=201662810818%5B1%5D.pdf","whoID":"이해정 연구위원","magazineID":"이슈리포트","fileName":"2016.06.28[1].pdf","fileNum":1,"titleID":"북한의 재생에너지 관련 사업 추진 현황","dateID":"2016.06.28"},{"reportURL":"https:\/\/hri.co.kr:442\/download.asp?file_path=%2Fpublication%2F&file_name=201662716126%5B1%5D.pdf","whoID":"이부형 이사대우","magazineID":"VIP Report","fileName":"2016.06.27[2].pdf","fileNum":2,"titleID":"일본 고령자 일자리 창출 사례와 시사점","dateID":"2016.06.27"}

3. 처음부터 ujson을 이용해 incoding과 decoing을 했다. 그냥 dump하면 한글 인코딩이 깨진다. 아래와 같이 해야한다.

파일 저장 중 서버 무응답으로 뻗는 경우가 있는데 (이건 어떻게 해결해야 할지 감이 없다) 지난 번 코드에서는 그때마다 다시 페이지 전체를 크롤링을 한 후 다운로드를 시작했다. 파일을 쪼개지 않고 한방에 처리하려던 욕심이었다. (난 아직 사멸치 않은 전근대적이고 절차지향적인 개발자다.)

어쨌든 한방에 가는 걸 두개로 쪼개서 크롤링 페이지에 대한 정보들을 json으로 저장하고 그걸 다시 로드해서 바로 쓰는 방식으로 변경했다.(이게 당연한 거라는 것쯤 지금 알았다!)

4. 보고서들 중에 정확하게 90개가 잘못 크롤링되었다. 하나하나 분석해봤는데 파일이름 생성 방식이 다른 1250개의 파일들과 달랐다. 이름끝에 알수없는 숫자들이 들어가 있었는데 패턴을 찾아보려 노력했지만 아무런 패턴이 보이지 않았다. 대부분이 오래전 파일들이었고 같은날 시리즈처럼 올라온 것들이었다. 그래서 노가다로 받아도 금방 받을만 했지만 그럴만한 가치도 없어 보였고 내가 돈받고 해주는 것도 아니고 하고 싶지도 않아 안했다.

4. 지난 번 계획했던 각 카테고리별 분석의 의욕이 싹 사라졌다. 그냥 이 뭉뚱그려진 '최신 보고서' 1250개만 (지구)끝까지 분석해볼 계획이다.

5. LG 경제 연구원 분석에 대한 의욕도 사라졌다. 이제 크롤링은 좀 지겹다.

6. 현재 모든 pdf 파일을 txt로 바꾸고 있다. 이것도 대량으로 잘 안되서 지겹게 소량으로 컨버팅 중이다. 이것도 오래걸리고 지겨운 작업. 여러 유틸을 확인해 봤는데 그나마 pdf to text라는 정직한 이름의 유틸이 제일 나아서 선택.

> 목표

1. 먼저 연도별로 데이터 구분.  2010 , 2011, 2012, 2013, 2014, 2015, 2016 이렇게 6년.

2. 연도별로 제목과 보고서 내용을 나눠 따로따로 wordcloud까지 진행.

* 현재 준비한 메타 데이터가 많아서 재밌는 분석도 가능하긴 한데 (예를들어 각 연구원마다의 보고서 특성) 이건 기술적으로 뻔하고 내가 현대경제연구원들을 개인적으로 아는 것도 아니어서 흥미가 생기지 않는다. 그래서 안할거다.

3. 연도별로 키워드(중요 어휘) 추출. 쿨백-라이블러 발산(Kullback-Leibler divergence)

4. 이건 결과가 나도 좀 궁금한데 문서 간 거리 측정이 가능하다. 이것을 이용해 각 보고서들간의 거리를 측정하고 k-평균 기법으로 군집을 해본다. 이것으로 어떤 연구원이 계속 똑같은 연구만 하는지, 어떤 연구원과 어떤 연구원의 성향이 유사한지, 어떤 보고서와 어떤 보고서가 긴요한 관계를 갖는지 알 수 있다.

* 아직 해본적이 없는 거라 해보고 싶다.

5. 이것도 재밌을 것 같기는 한데. 지금까지 나온 (겨우) 1250개의 보고서를 컴퓨터에게 학습시킨 후 더 이전의 보고서나 앞으로 나올 새로운 보고서를 컴퓨터에게 보여주고 어느 연구원이 쓴 것인지, 또는 이것의 보고서명이 무엇인지 맞춰보게 할 수 있다. 진짜 내가 왜 이런 쓸데없는 짓이 (매우) 하고 싶은지 모르겠지만 그냥 해보려고 한다.

> 정리

아직도 txt로 바꾸고 있다ㅡ,ㅡ 그래서 오늘은 이걸로 끝.

● 현대 경제 연구원 간략 분석

> 들어가는 말

막상 크롤링을 하고 보니 너무 대충했다.

아무래도 다시 하는게 좋을 것 같은데, 저번에도 2번째 크롤링때 자주 끊겼던게 마음에 걸린다.

블락당한 건 아니겠지.

> 앞서 반성

1. pdf 파일 이름을 너무 대충지었다. 파일이름에 보고서 발표날짜가 들어갔어야 했다.

2. pdf 파일은 html이 아니어서 정규분포식을 이용한다해도 원하는 텍스트를 가져오는게 어렵다. 제목에 제목이라는 표시가 없다 ㅜ 아무래도 제목은 제목대로 따로 크롤링해서 가져와야겠다.

3. 그리고 그 제목과 날짜 그리고 파일명을 하나의 json으로 만든 후 입맛에 맞게 요리해야겠다.

> 결과

아래 워드클라우드 이미지는 2010년 1월부터 ~ 2016년 6월 말(지난주)까지 약 6년 반 기간 동안 현대경영연구원에서 작성한 보고서 1233개의 모든 단어들을 형태소 분석하여 빈도순으로 정렬한 후 의미있는 단어들만 추려낸 것이다. 한글 인코딩 방식만 바꾸었고 나머지는 예전 아리랑 분석할때의 코드를 그대로 사용했다.

그 결과다.

1. 1등이 '증가'라니 ㄷㄷㄷ 증가와 하락의 저 어머어마한 대조를 보라.

2. 미국보다 중국의 비중이 더 크다는 것.

3. 수입도 어딘가 있기는 할텐데 내 눈에 보이는 건 수출 뿐.

4. 대략 보면 증가, 확대, 상승, 성장 같은 긍정적인 용어가 부정적 용어들을 압도한다.

그런데 저 기간동안 진짜 우리경제가 긍정적이었다고 할 수 있나?

5. 제조업이 보이고 IT가 안보이는 건 ...

6. 기술이나 글로벌이란 단어가 저리 작은 건 좀 슬프다.

7. 대충 봐도 경제 신문이나 애널 보고서에서 흔~히 봤던 단어들이다.

8. 저 이미지 한장으로도 수십개의 유사 '경제보고서'를 써낼 수 있을 것 같은 느낌이랄까.

9. 애매한 형태소들도 좀 있다. 저것들은 어떻게 다듬어야 할지...

10. 여하튼 볼만한 자료다.

> 반성

1. 시기별로 구분하지 않았고 제목에 따른 분석이 따르지 않아 아쉬운 부분이 많다. 이건 현대경제연구원에서 나를 블락만 시키지 않는다면 금방 다시 작업할 수 있기는 한데.. 음.. 다음에 다시 하겠다.

2. 그리고 방금 알았는데 현대경제연구원에는 '경제' 보고서만 있는게 아니라 아래와 같이 산업,경영,사회,문화,통일 보고서도 있었다. 쟤네들도 함께 분석해야 할 것 같다. 특히 산업,경영는 매우 활발하게 업데이트 되고 있었다. 이것도 다음에 함께 작업하자.

2. LG경제 연구원의 보고서도 분석해야 할 것 같다. 그래야 조금이라도 거시적인 시점을 확보할 수 있을 것이다. 연구원마다 다른 시점도 확보할 수 있다. 이것도 다음번에 한방에 끝내자. 이번 주말에 도전!

3. scikit-learn와 scipy 사용이 미숙하다. 이 부분의 보완이 필요하다.

3. 그거 약간 배운 것 가지고도, 만들고 싶은 것들이 많아 골치다. 나쁘진 않은데.. 주객이 전도되어서는 안된다. 나의 정체성을 잃지 말자. 아예 바꾸는 건 괜찮지만(응?)