파이썬으로 유튜브 영상 메타데이터(조회수, 댓글) 싹쓸이 크롤링하기: 실무 가이드

📋 목차

📋 목차
셀레늄의 덫에서 벗어나기: 왜 공식 API가 답일까?
한 번 구축하면 평생 쓰는 파이썬 유튜브 크롤러 코드
현업에서 마주치는 장벽과 방어벽 세우기
안전하고 강력한 데이터 수집의 첫걸음 구글 클라우드 콘솔 설정과 API 키 보안
대용량 댓글 수집을 위한 페이지네이션 구현과 예외 처리의 모든 것
하루 할당량 한계를 극복하는 실무 쿼터 절약 기술과 최적화 비법
수집된 생데이터를 즉시 활용 가능한 정제 데이터로 바꾸는 파이썬 전처리 기법

데이터 분석을 하거나 마케팅 트렌드를 읽으려 할 때 유튜브만큼 매력적인 보고는 없습니다. 하지만 막상 유튜브 데이터를 긁어모으려 코드를 짜다 보면 숨이 턱 막히는 순간이 찾아옵니다. 열심히 짠 크롤러가 몇 번 돌지도 못하고 아이피 차단을 당하거나, 기껏 수집한 댓글 데이터가 깨져서 쓸모없게 변해버리는 일은 저 역시 숱하게 겪었던 아픔입니다. 데이터를 모으는 일보다 예외 상황을 처리하고 에러와 싸우는 시간이 더 길어질 때의 그 좌절감을 너무나 잘 알고 있습니다. 그래서 오늘은 제가 수많은 시행착오 끝에 정착한 가장 안정적이고 효율적인 유튜브 메타데이터 크롤링 기법을 아낌없이 나누고자 합니다. 단순히 코드 몇 줄 복사해 붙여넣는 수준을 넘어, 실무에서 마주치는 장벽들을 우아하게 넘어서는 진짜 실전 노하우를 멘토처럼 꼼꼼하게 짚어드리겠습니다.

수집 방식	수집 속도 및 효율	차단 위험성	추천 활용 처
공식 API 수집	압도적으로 빠르고 데이터 구조가 명확함	일일 할당량 제한 외 차단 위험 전혀 없음	정형화된 대규모 채널 조회수 및 기본 정보 수집
셀레늄 동적 크롤링	브라우저를 직접 띄우므로 상대적으로 느림	마구잡이 요청 시 아이피 영구 차단 위험	동적 로딩이 필요한 최신 댓글 및 대댓글 수집
뷰티풀수프 정적 크롤링	초기 렌더링 페이지만 긁어와 매우 빠름	비정상 요청 감지 시 일시적 차단 가능	단발성 영상 조회수 및 단순 메타데이터 수집

셀레늄의 덫에서 벗어나기: 왜 공식 API가 답일까?

유튜브 크롤링을 처음 시작하는 분들은 대개 웹 브라우저를 제어하는 셀레늄을 먼저 떠올립니다. 눈앞에서 브라우저가 스크롤되며 댓글이 수집되는 모습이 신기하기도 하고 직관적이기 때문입니다. 하지만 실무에서 수백, 수천 개의 영상을 대상으로 데이터를 수집해야 하는 상황이라면 셀레늄은 곧 재앙으로 변합니다. 페이지가 아주 조금만 개편되어도 기존 태그 경로가 깨져서 에러가 나고, 속도가 너무 느려 대용량 수집은 꿈도 꾸지 못합니다. 무엇보다 구글의 강력한 봇 탐지 시스템에 걸려 아이피가 차단당하기 십상입니다.

제가 대형 프로젝트를 진행하면서 뼈저리게 느낀 점은 안정성이 담보되지 않은 크롤러는 결국 쓰레기통으로 들어간다는 사실입니다. 구글 클라우드 콘솔에서 간단히 발급받을 수 있는 공식 유튜브 데이터 API는 이러한 고민을 한 방에 해결해 줍니다. 속도는 셀레늄과 비교가 불가능할 정도로 빠르며, 구글이 허용한 안전한 통로를 이용하므로 차단 걱정이 전혀 없습니다.

한 번 구축하면 평생 쓰는 파이썬 유튜브 크롤러 코드

공식 API 키를 발급받았다면, 이제 파이썬으로 가볍고 강력한 크롤러를 작성할 차례입니다. 아래 코드는 특정 영상의 조회수, 좋아요 수, 댓글 수와 같은 핵심 메타데이터뿐만 아니라 실제 댓글 내용까지 한 번에 긁어오는 실전형 스크립트입니다. 라이브러리는 가볍고 직관적인 요청 처리를 위해 널리 쓰이는 리퀘스트를 사용했습니다.

import requests
import pandas as pd

def fetch_youtube_metadata(api_key, video_id):
# 영상 기본 정보 및 통계 데이터 수집을 위한 URL 설정
video_url = f"https://www.googleapis.com/youtube/v3/videos?part=snippet,statistics&id={video_id}&key={api_key}"

try:
response = requests.get(video_url)
response.raise_for_status()
data = response.json()

if not data.get("items"):
print("해당 영상 정보를 찾을 수 없습니다. 아이디를 다시 확인해 주세요.")
return None

item = data["items"][0]
snippet = item["snippet"]
stats = item["statistics"]

metadata = {
"제목": snippet.get("title"),
"채널명": snippet.get("channelTitle"),
"게시일": snippet.get("publishedAt"),
"조회수": stats.get("viewCount", 0),
"좋아요수": stats.get("likeCount", 0),
"댓글수": stats.get("commentCount", 0)
}
return metadata
except Exception as e:
print(f"메타데이터 수집 중 오류 발생: {e}")
return None

def fetch_youtube_comments(api_key, video_id, max_results=50):
comments = []
# 댓글 수집을 위한 URL 설정
comment_url = f"https://www.googleapis.com/youtube/v3/commentThreads?part=snippet&videoId={video_id}&maxResults={max_results}&key={api_key}"

try:
response = requests.get(comment_url)
response.raise_for_status()
data = response.json()

for item in data.get("items", []):
top_comment = item["snippet"]["topLevelComment"]["snippet"]
comments.append({
"작성자": top_comment.get("authorDisplayName"),
"댓글내용": top_comment.get("textDisplay"),
"하트수": top_comment.get("likeCount", 0),
"작성일": top_comment.get("publishedAt")
})
return comments
except Exception as e:
print(f"댓글 수집 중 오류 발생: {e}")
return []

# 실전 사용 예시 (본인의 API 키와 타겟 영상 아이디를 입력하세요)
구글_API_키 = "YOUR_YOUTUBE_API_KEY"
유튜브_영상_ID = "YOUR_VIDEO_ID"

영상_정보 = fetch_youtube_metadata(구글_API_키, 유튜브_영상_ID)
댓글_목록 = fetch_youtube_comments(구글_API_키, 유튜브_영상_ID)

if 영상_정보:
print("=== 수집된 영상 정보 ===")
for 키, 값 in 영상_정보.items():
print(f"{키}: {값}")

if 댓글_목록:
# 수집한 댓글 데이터를 깔끔하게 데이터프레임으로 변환하여 저장
df = pd.DataFrame(댓글_목록)
df.to_csv("youtube_comments.csv", index=False, encoding="utf-8-sig")
print("\n댓글 수집 완료 및 파일 저장 성공!")

이 코드는 실무에서 즉시 활용할 수 있도록 군더더기 없이 짜였습니다. 만약 댓글을 수천 개 이상 대량으로 수집해야 한다면, API 응답에 포함되어 있는 다음 페이지 토큰을 활용해 반복문으로 요청을 이어나가면 됩니다.

현업에서 마주치는 장벽과 방어벽 세우기

많은 개발자가 코드를 완성하고 로컬 환경에서 테스트를 끝내면 안심합니다. 하지만 진짜 문제는 수집 대상이 늘어나는 실전 운영 단계에서 터져 나옵니다. 제가 이 기술을 다루며 마주쳤던 가장 흔하고 뼈아픈 실수들을 바탕으로, 여러분이 미리 대비해야 할 방어벽 두 가지를 공유합니다.

실무에서 가장 빈번하게 발생하는 크래시 원인은 이모지와 특수문자가 섞인 댓글을 데이터베이스나 CSV 파일에 저장할 때 발생하는 인코딩 오류입니다. 반드시 파일 쓰기 단계에서 인코딩을 utf-8-sig로 지정해야 엑셀에서도 깨지지 않는 깨끗한 한글 데이터를 얻을 수 있습니다.

또 다른 복병은 유튜브 데이터 API에 책정되어 있는 일일 할당량 제한입니다. 기본적으로 무료 계정에는 하루 10,000 포인트의 할당량이 주어집니다. 영상 정보를 한 번 조회할 때 1 포인트가 차감되고, 댓글 목록을 가져올 때는 10 포인트 가량이 차감됩니다. 이 한도를 인지하지 못하고 마구잡이로 무한 루프를 돌렸다가는 한 시간도 안 되어 서버가 멈추는 광경을 보게 됩니다.

이러한 문제를 우아하게 극복하기 위해서는 데이터 수집이 꼭 필요한 핵심 타겟 영상 리스트를 정교하게 추려내어 호출을 최소화하는 전략이 필요합니다. 대규모 데이터를 매일 긁어야 하는 상황이라면 여러 개의 구글 계정으로 크레덴셜을 분산하여 순환 적용하는 아키텍처를 구성하거나, 구글 측에 정식으로 할당량 증설 신청을 해야 장기적이고 안정적인 데이터 파이프라인을 구축할 수 있습니다.

인터넷에 널린 수많은 임시방편용 소스코드에 매달리지 마세요. 오늘 나눈 공식 루트를 활용한 안정적인 방법론을 뼈대로 삼고 예외 처리 방어 벽을 하나씩 쌓아 올린다면, 트렌드 분석과 데이터 경쟁력 확보라는 진정한 목적지에 무사히 도달할 수 있을 것입니다.

어두운 방 안에서 듀얼 모니터를 띄워두고 파이썬 크롤링 코드를 편집하며 유튜브 API 문서와 데이터 시트를 분석하고 있는 개발자의 뒷모습 사진

안전하고 강력한 데이터 수집의 첫걸음 구글 클라우드 콘솔 설정과 API 키 보안

유튜브 데이터를 안정적으로 수집하기 위해 가장 먼저 거쳐야 할 관문은 구글 클라우드 플랫폼에서 프로젝트를 생성하고 API 키를 발급받는 과정입니다. 처음 이 플랫폼에 접속하면 복잡한 메뉴와 수많은 옵션 때문에 어디서부터 손을 대야 할지 막막할 수 있습니다. 저 역시 처음에는 길을 잃고 엉뚱한 서비스를 활성화했다가 시간만 낭비했던 기억이 생생합니다. 하지만 걱정하실 필요 없습니다. 천천히 하나씩 따라오시면 누구나 안전하게 자신만의 데이터 통로를 열 수 있습니다.

구글 클라우드 콘솔에 로그인한 뒤 가장 먼저 해야 할 일은 새 프로젝트를 만드는 것입니다. 화면 상단의 프로젝트 선택 창을 누르고 우측 상단의 새 프로젝트 버튼을 클릭하여 적절한 이름을 입력해 줍니다. 프로젝트가 생성되면 왼쪽 사이드바에서 API 및 서비스 메뉴의 라이브러리로 이동합니다. 검색창에 유튜브를 입력하면 우리가 사용할 유튜브 데이터 API 버전 3을 쉽게 찾을 수 있습니다. 이 서비스를 선택하고 사용 버튼을 누르는 것만으로 데이터 수집을 위한 기본적인 준비가 끝납니다.

이제 실제 코드에서 사용할 열쇠인 사용자 인증 정보, 즉 API 키를 생성할 차례입니다. 왼쪽 메뉴에서 사용자 인증 정보를 선택하고 화면 상단의 사용자 인증 정보 만들기 버튼을 눌러 API 키를 발급받습니다. 이때 화면에 나타나는 긴 무작위 문자열이 바로 여러분의 소중한 열쇠입니다. 여기서 많은 초보자분들이 실수하는 부분이 있습니다. 발급받은 키를 아무런 제한 없이 그대로 방치하는 것입니다. 만약 이 키가 외부로 유출되면 타인이 여러분의 할당량을 마음대로 도용해 사용하고, 심지어 예기치 못한 비용 청구로 이어질 수 있습니다.

제가 실무에서 가장 강조하는 보안 수칙은 발급받은 API 키의 사용 범위를 오직 유튜브 데이터 API로만 엄격하게 제한하는 것입니다. API 키 수정 메뉴에서 API 제한사항 설정을 통해 해당 키가 다른 구글 서비스에 오용되지 않도록 방어벽을 반드시 쳐야 합니다.

안전한 개발 환경을 위해 소스코드 내부에 API 키를 직접 텍스트로 적어두는 습관은 반드시 버려야 합니다. 깃허브 같은 공개 저장소에 코드를 올리다가 실수로 키가 노출되는 사고가 업계에서는 지금 이 순간에도 빈번하게 일어납니다. 파이썬으로 유튜브 영상 메타데이터(조회수, 댓글) 싹쓸이 크롤링하기: 실무 가이드를 안전하게 실천하기 위해서는 환경 변수 파일에 키를 따로 저장하고, 파이썬의 환경 변수 관리 라이브러리를 통해 호출하는 방식을 생활화하시기 바랍니다. 작은 습관 하나가 여러분의 소중한 프로젝트와 리소스를 지키는 가장 강력한 방패가 됩니다.

대용량 댓글 수집을 위한 페이지네이션 구현과 예외 처리의 모든 것

기본적인 메타데이터 조회를 넘어 특정 영상에 달린 수천 개 혹은 수만 개의 댓글을 빠짐없이 긁어모으기 위해서는 페이지네이션이라는 개념을 반드시 이해해야 합니다. 유튜브 API는 서버 부하를 줄이기 위해 한 번의 요청에 최대 백 개 까지만 댓글 데이터를 돌려줍니다. 그 이상의 댓글을 가져오기 위해서는 유튜브가 응답 데이터와 함께 건네주는 다음 페이지 토큰이라는 징검다리를 밟고 계속해서 다음 요청을 이어가야 합니다.

이 작업을 수행하기 위해 파이썬의 반복문을 정교하게 설계해야 합니다. 반복문이 시작될 때 첫 페이지 요청을 보내고, 응답 값 안에 다음 페이지 토큰이 존재하는지 확인하는 구조를 만듭니다. 토큰이 존재한다면 다음 요청의 파라미터에 해당 토큰 값을 얹어서 다시 호출하고, 토큰이 더 이상 발견되지 않을 때 비로소 반복문을 탈출하도록 코드를 구현합니다. 이 간단해 보이는 논리 흐름을 완벽하게 다듬어 놓아야만 중간에 끊김 없이 수만 건의 데이터를 매끄럽게 받아올 수 있습니다.

실제 대규모 수집을 진행하다 보면 네트워크 불안정이나 일시적인 구글 서버 오류로 인해 프로그램이 중간에 멈추는 돌발 상황을 필연적으로 마주하게 됩니다. 열심히 수집하던 도중에 갑자기 에러가 발생해 프로그램이 꺼져버리면 그동안 메모리에 쌓아둔 데이터가 한순간에 날아가 버려 깊은 허탈감에 빠지게 됩니다. 이러한 불상사를 막기 위해 예외 처리 구문을 촘촘하게 작성해야 합니다. 요청 실패 시 무작정 종료하는 것이 아니라 잠시 대기한 뒤 재시도하는 예외 복구 로직을 추가하는 것이 정답입니다.

파이썬으로 유튜브 영상 메타데이터(조회수, 댓글) 싹쓸이 크롤링하기: 실무 가이드를 성공적으로 마스터하기 위해서는 데이터 저장 시점도 세심하게 조율해야 합니다. 모든 댓글을 전부 수집한 뒤 마지막에 한 번에 파일로 저장하는 방식보다는, 일정 수량 단위로 데이터를 나누어 지속적으로 로컬 파일에 추가 기록하는 방식이 훨씬 안전합니다. 이렇게 하면 예기치 못한 물리적인 시스템 다운이 발생하더라도 직전까지 수집해 둔 소중한 데이터 자산만큼은 안전하게 보존할 수 있습니다.

실무 크롤링 파이프라인에서 가장 빛을 발하는 기법은 바로 점진적 저장 방식과 요청 간 자동 대기 시간을 설정하는 것입니다. 무리한 요청으로 구글 서버에 부담을 주지 않으면서도 수집 속도를 유지하는 정교한 밸런싱이 프로 개발자의 실력을 가르는 기준이 됩니다.

더 나아가 수집해야 할 유튜브 영상의 개수가 수백 개가 넘어가는 대규모 분석 프로젝트를 수행할 때는, 수집 대상 리스트를 큐 구조로 관리하는 효율성도 갖추어야 합니다. 파이썬으로 유튜브 영상 메타데이터(조회수, 댓글) 싹쓸이 크롤링하기: 실무 가이드를 기반으로 다져진 기본기를 응용하여 영상별 수집 상태를 기록하는 간단한 데이터베이스나 로그 시스템을 연동해 보시기 바랍니다. 수집 성공 여부를 기록해 두면 예외 상황으로 작업이 중단되더라도 처음부터 다시 시작할 필요 없이 멈춘 지점부터 정확하게 이어서 수집을 재개할 수 있어 극적인 효율성을 체감할 수 있습니다.

하루 할당량 한계를 극복하는 실무 쿼터 절약 기술과 최적화 비법

유튜브 API를 다루면서 가장 먼저 부딪히는 벽은 코드의 오류가 아닌, 하루 만 개로 제한되어 있는 구글의 무료 제공 할당량입니다. 처음에는 만 개라는 숫자가 꽤 넉넉해 보이지만, 실무 분석 프로젝트를 진행하다 보면 몇 분 만에 전부 바닥나버려 작업이 중단되는 곤경에 처하곤 합니다. 제가 진행했던 초기 프로젝트에서도 데이터 조회 방식을 무심코 설계했다가 대낮에 할당량이 모두 소진되어 팀 전체가 손을 놓고 다음 날까지 기다려야 했던 쓰라린 경험이 있습니다. 이 고비를 지혜롭게 넘기기 위한 핵심 비법을 전해드리고자 합니다.

기본적으로 유튜브 API는 어떤 정보를 요청하느냐에 따라 차감되는 비용이 천차만별입니다. 단순히 특정 영상의 상세 데이터를 조회하는 행위는 단 1 쿼터만 소모하지만, 키워드로 영상을 검색하는 작업은 한 번의 요청에 무려 100 쿼터를 소모합니다. 즉, 검색 기능을 남발하는 것은 가장 경계해야 할 행동입니다. 데이터를 알뜰하게 모으기 위해서는 수집 대상 영상의 고유 식별자들을 먼저 수집해 두고, 이 식별자들을 최대 50개씩 묶어서 대량 조회 방식으로 요청하는 기법을 사용해야 합니다. 이렇게 하면 요청 횟수를 오십분의 일로 대폭 줄여 소중한 할당량을 극적으로 아낄 수 있습니다.

많은 초보 개발자가 간과하기 쉬운 구글 할당량 최적화를 위한 핵심 규칙 세 가지를 정리해 드립니다. 이 세 가지만 제대로 실천해도 하루에 수집할 수 있는 데이터의 양이 서너 배 이상 늘어나는 놀라운 경험을 하시게 될 것입니다.

검색 API 사용 최소화: 특정 키워드로 검색하는 요청은 비용이 매우 크기 때문에, 채널 내부의 비디오 목록을 가져올 때는 플레이리스트 아이템 조회 API를 우회하여 사용하는 것이 안전합니다.
필요한 필드만 지정하는 파라미터 활용: 불필요한 정보까지 전부 포함하여 가져오는 기본 응답 방식 대신 필요한 영역만 지정하여 요청을 최적화하면 트래픽과 처리 비용을 대폭 아낄 수 있습니다.
로컬 캐싱 레이어 구축: 이미 한 번 조회한 영상의 기본 정보는 데이터베이스나 로컬 파일에 임시로 저장해 두고 재사용하여 동일한 영상에 대해 중복으로 API를 호출하는 낭비를 원천 차단합니다.

실무 데이터를 수집할 때 할당량을 절약하는 가장 완벽한 전략은 데이터 수집 범위를 최소한으로 압축하는 것입니다. 응답 데이터의 모든 필드를 다 받아오지 말고 파이썬 코드를 작성할 때 필터 파라미터를 사용해 필요한 데이터만 콕 집어서 요청하십시오.

수집된 생데이터를 즉시 활용 가능한 정제 데이터로 바꾸는 파이썬 전처리 기법

어렵사리 수집한 수만 건의 유튜브 댓글과 메타데이터는 그대로 분석에 사용할 수 없는 경우가 태반입니다. 댓글 속에는 온갖 기괴한 이모티콘과 무분별한 띄어쓰기, 깨진 텍스트, 그리고 무의미한 특수문자가 가득 섞여 있기 때문입니다. 저 역시 처음에는 수집만 하면 다 끝날 줄 알고 안도했다가, 엉망진창인 텍스트 분석 결과물을 보고 머리를 감싸 쥐었던 기억이 납니다. 데이터를 진정 가치 있게 만드는 과정은 바로 꼼꼼한 전처리 작업에서 시작됩니다.

가장 먼저 부딪히는 난관은 각 나라의 언어와 이모티콘이 뒤섞인 텍스트 데이터의 표준화입니다. 파이썬의 정규표현식 라이브러리를 활용하면 한글, 숫자, 그리고 필수적인 문장부호를 제외한 불필요한 노이즈를 말끔하게 걷어낼 수 있습니다. 이때 주의할 점은 무조건 이모티콘을 지우기만 하는 것이 아니라, 긍정이나 부정의 감정을 담고 있는 핵심 이모티콘은 분석 목적에 따라 텍스트 형태로 변환하여 살려두는 세심함이 필요하다는 것입니다. 데이터가 가진 원래의 생생한 뉘앙스를 보존하는 능력이 바로 데이터 분석의 품질을 가르는 차이를 만듭니다.

또한 유튜브 영상의 재생 시간 메타데이터는 우리가 흔히 쓰는 초 단위가 아니라 고유한 표준 시간 형식으로 제공됩니다. 이를 그대로 분석에 사용하면 시간에 따른 조회수 추이를 비교할 수 없으므로, 파이썬의 시간 처리 라이브러리를 사용해 총 몇 초인지 정수형 데이터로 직관적이게 변환해 주는 작업이 필수적입니다. 이 과정을 거쳐야만 비로소 영상의 길이와 시청자들의 반응 속도 사이의 상관관계를 도출해 내는 정교한 통계 분석이 가능해집니다.

실무 분석 현장에서 바로 쓰이는 전처리 흐름은 정교한 정제 함수를 하나 정의해 두고, 판다스 데이터프레임의 적용 기능을 활용해 일괄 처리하는 방식으로 구현합니다. 댓글 작성 시간 역시 문자열에서 날짜형 데이터 타입으로 변환해 주면 시간대별 반응 강도나 요일별 댓글 추이를 시각화하는 강력한 대시보드 구축으로 자연스럽게 이어질 수 있습니다. 차근차근 다듬어진 고품질 데이터야말로 비즈니스 의사결정을 이끄는 가장 신뢰할 수 있는 이정표가 될 것입니다.

어렵게 모은 소중한 원본 데이터는 절대 직접 수정하지 말고 백업용 원본으로 안전하게 보존해야 합니다. 전처리 작업은 반드시 복사본 데이터프레임을 생성하여 진행하는 것을 철칙으로 삼으셔야 나중에 분석 기준이 바뀌어도 처음부터 다시 수집하는 비극을 피할 수 있습니다.

어두운 방 안에서 듀얼 모니터를 띄워두고 파이썬 크롤링 코드를 편집하며 유튜브 API 문서와 데이터 시트를 분석하고 있는 개발자의 뒷모습 사진 detail

유튜브라는 거대한 데이터의 바다에서 가치 있는 정보를 안전하고 깨끗하게 길어 올리는 과정은 결코 쉬운 여정이 아니지만, 정교하게 다듬어진 데이터는 시장의 흐름과 사람들의 마음을 읽어내는 강력한 등불이 되어줄 것입니다. 이제 모니터 너머의 코드를 직접 실행해 보며, 가치 없이 버려지던 날것의 정보 속에서 시청자들의 숨은 니즈와 비즈니스의 기회를 직접 포착해 보시기 바랍니다. 머리로 이해하는 것을 넘어 손끝으로 직접 구현해 내는 분만이 데이터 분석의 진짜 희열을 맛볼 수 있으며, 그 값진 첫걸음을 떼는 여러분의 여정을 늘 곁에서 든든하게 응원하겠습니다.

데이터 분석의 진정한 가치는 단순히 방대한 양의 정보를 쌓아두는 것에 있는 것이 아니라, 철저한 쿼터 절약과 정제 과정을 거쳐 신뢰성을 확보한 정보로 올바른 의사결정의 방향을 제시하는 것에 있습니다.