개드립(Dogdrip) 추출 규칙

개드립(dogdrip.net) 커뮤니티의 게시글을 추출하는 규칙입니다.

개드립은 URL 형태가 /숫자, /dogdrip/숫자, /doc/숫자 등 다양한 경로 패턴을 사용하기 때문에, 이를 모두 인식할 수 있도록 유연한 매칭 로직을 갖추고 있습니다.

URL 매칭

아래 정규식으로 개드립 사이트인지, 그리고 개별 게시글 페이지인지를 판별합니다.

항목	패턴
사이트 매칭	/https?:\/\/(?:www\.)?dogdrip\.net\//i
게시글 매칭	`//(?😦(dogdrip

제목과 본문 탐색

제목은 우선 og:title 메타 태그에서 가져오고, 없으면 대표 제목 셀렉터를 순차 탐색한 뒤, 최종적으로 document.title을 폴백으로 사용합니다.

본문 영역은 가장 정확한 컨테이너를 먼저 시도합니다.

우선순위	셀렉터
1차 (Primary)	div.rhymix_content.xe_content[class*='document_']
2차 (Fallback)	.ed, .document_view, .view_content, .read_body, .content_body, article, #content, body

파서 동작 방식

본문을 파싱할 때는 두 가지 경로 중 하나를 선택합니다.

1. Primary 컨테이너를 찾은 경우

최적화된 전용 파서가 동작합니다. 컨테이너 내부의 p 태그를 하나씩 순회하면서 이미지가 있으면 즉시 image 블록으로 분리하고, 텍스트는 pending 배열에 모아 두었다가 한꺼번에 flush합니다. 이때 중복 제거와 개행 정규화가 함께 이루어집니다.

2. Fallback (범용 DFS)

Primary 컨테이너를 찾지 못했을 때는 범용 DFS(walk) 방식으로 DOM 트리 전체를 순회하면서 IMG, VIDEO, BR, 블록 경계 등을 처리합니다.

노이즈 필터

깨끗한 본문만 추출하기 위해 여러 종류의 노이즈를 걸러냅니다.

• 영역 스킵: 댓글, 공유 버튼, 태그, 광고, 배너, 페이지네이션, aside 등은 SKIP_SELECTOR로 통째로 건너뜁니다.
• ALT 정리: 이미지의 ALT 텍스트가 긴 해시값이거나 80자를 초과하면 의미 없는 데이터로 보고 제거합니다.
• 링크 노이즈 제거: 내용 없이 URL만 한 줄로 적힌 라인은 제거합니다.
• 레벨 표기 제거: [레벨:숫자] 형태의 사용자 레벨 표기 패턴도 걸러냅니다.

비디오 처리

<video> 태그를 만나면 내부 <source>에서 src를 가져와 video 블록으로 추가하고, 포스터(poster) 이미지가 있으면 함께 유지합니다. 자동재생이나 반복 재생 등은 후처리 단계에서 제어할 수 있지만, 현재 버전에서는 별도 hook이 적용되어 있지 않습니다.

Placeholder

추출 결과 블록이 하나도 없을 때는 사용자 혼란을 방지하기 위해 빈 콘텐츠 안내 placeholder를 삽입합니다. (네이버 카페 규칙과 동일한 방식입니다.)

반환 예시

최종적으로 아래와 같은 구조의 데이터가 반환됩니다.

{
  "title": "문서 제목",
  "blocks": [
    { "type": "image", "src": "https://...jpg", "alt": "" },
    { "type": "html",  "html": "문단1<br>문단2" }
  ]
}

개선 아이디어

• 투표/설문 위젯 변환: 투표·설문 위젯을 감지한 뒤, 요약 형식의 HTML 블록으로 치환하면 더 보기 좋을 것입니다.
• GIF vs Video 구분: GIF와 일반 동영상을 구분해서 반복 재생(loop) 정책을 다르게 적용하면 사용자 경험이 개선됩니다.
• 인용/코드 스타일: 긴 코드 블록이나 인용(blockquote)에 전용 스타일을 추가하는 것도 고려해 볼 만합니다.