BigKinds MCP Server

한국 뉴스 데이터베이스 BigKinds를 위한 MCP(Model Context Protocol) 서버입니다.

Claude Desktop, Claude Code, Cursor 등 MCP 클라이언트에서 한국 뉴스 검색, 분석, 대용량 데이터 처리를 자연어로 수행할 수 있습니다.

아키텍처

graph TB
    User[👤 사용자] --> Claude[Claude Desktop]
    Claude <--> MCP[BigKinds MCP Server]
    MCP <--> BigKinds[BigKinds API]

    MCP --> Search[search_news]
    MCP --> Article[get_article]
    MCP --> Trends[get_keyword_trends]
    MCP --> Export[export_all_articles]

    BigKinds --> DB[(890,000+ Articles)]

    style Claude fill:#9f6
    style MCP fill:#f96
    style BigKinds fill:#69f

📚 문서 가이드

🌐 인터랙티브 웹 문서

• 💼 활용 사례 (웹) - 직업군별 실전 시나리오를 인터랙티브하게 탐색

📄 마크다운 문서

문서	설명	대상
🚀 빠른 시작	5분 설치 가이드	모든 사용자
🐳 Docker 배포	Docker 컨테이너 실행 가이드	DevOps, 배포
💼 활용 사례	직업군별 실전 시나리오	기자, 마케터, 투자자, 연구자
🎨 결과물 예시	실제 생성 결과 미리보기	잠재 사용자
📖 상세 사용법	프롬프트 템플릿 모음	활용 중인 사용자
🔧 API 레퍼런스	전체 도구 명세	개발자
📊 다이어그램	아키텍처 & 워크플로우	기술 이해 필요 시
📢 SNS 홍보 문구	채널별 홍보 템플릿	프로젝트 전파

주요 기능

기능	설명	로그인
뉴스 검색	키워드, 날짜, 언론사, 카테고리 기반 검색	불필요
기사 상세	전체 본문, 메타데이터, 이미지 추출	불필요
기사 스크래핑	URL에서 직접 기사 내용 추출	불필요
오늘의 이슈	일별 인기 이슈 Top 10 (지역별/AI 선정)	불필요
키워드 트렌드	시계열 기사 수 추이 분석	필요
연관어 분석	TF-IDF 기반 연관 키워드 추출	필요
키워드 비교	여러 키워드 트렌드 비교 분석	불필요
대용량 내보내기	최대 50,000건 JSON/CSV/JSONL 내보내기	불필요

---

빠른 시작

1단계: 설치

# uvx 사용 (권장 - 별도 설치 없이 바로 실행)
uvx bigkinds-mcp

# 또는 pip 설치
pip install bigkinds-mcp

2단계: MCP 클라이언트 설정

Claude Desktop

~/Library/Application Support/Claude/claude_desktop_config.json (macOS):

{
  "mcpServers": {
    "bigkinds": {
      "command": "uvx",
      "args": ["bigkinds-mcp"]
    }
  }
}

Claude Code

claude mcp add bigkinds -- uvx bigkinds-mcp

Cursor / VS Code

.cursor/mcp.json 또는 .vscode/mcp.json:

{
  "mcpServers": {
    "bigkinds": {
      "command": "uvx",
      "args": ["bigkinds-mcp"]
    }
  }
}

3단계: 사용하기

사용자: 최근 AI 관련 뉴스 검색해줘

Claude: [search_news 도구 사용]
2025년 12월 AI 관련 뉴스 6,401건을 찾았습니다.

주요 기사:
1. "삼성전자, AI 반도체 투자 확대" - 매일경제
2. "네이버, 하이퍼클로바X 성능 대폭 개선" - 한국경제
...

---

쇼케이스: 이런 것들을 할 수 있어요

일일 뉴스 브리핑

"오늘 핀테크 관련 주요 뉴스 5개 브리핑해줘"

→ 자동으로 오늘 날짜 확인 → 뉴스 검색 → 요약 제공

경쟁사 모니터링

"지난 3개월간 삼성전자, SK하이닉스, 마이크론 뉴스량 비교 분석"

→ 키워드별 기사 수 비교 → 월별 추이 분석 → 주요 이슈 정리

트렌드 리서치

"2025년 '생성형 AI' 뉴스 트렌드 리포트 작성해줘"

→ 월별 기사량 추이 → 연관 키워드 분석 → 분기별 핫이슈 정리

대용량 데이터 분석

"올해 전기차 관련 전체 기사 JSON으로 내보내기"

→ 74,648건 기사 → 로컬 JSON 파일 저장 → Python 분석 코드 제공

오늘의 핫이슈

"오늘 가장 화제인 뉴스 이슈 Top 5"

→ 실시간 인기 이슈 조회 → 각 이슈별 대표 기사 제공

📖 더 많은 예제와 프롬프트 템플릿: docs/EXAMPLES.md

---

상세 기능 가이드

뉴스 검색 (search_news)

키워드, 날짜, 언론사, 카테고리를 조합하여 뉴스를 검색합니다.

예시 질문:
- "인공지능 관련 뉴스 검색해줘"
- "경향신문과 한겨레에서 경제 뉴스 찾아줘"
- "지난 한 달간 반도체 관련 기사 검색"

파라미터:

파라미터	필수	설명	예시
keyword	O	검색 키워드	"AI", "반도체"
start_date	O	시작일 (YYYY-MM-DD)	"2025-01-01"
end_date	O	종료일 (YYYY-MM-DD)	"2025-12-15"
page	X	페이지 번호 (기본: 1)	1
page_size	X	페이지당 결과 수 (기본: 10, 최대: 100)	20
providers	X	언론사 필터	["경향신문", "한겨레"]
categories	X	카테고리 필터	["경제", "IT_과학"]
sort_by	X	정렬 방식	"date", "relevance", "both"

정렬 방식:

• "both" (기본값): 날짜순 + 관련도순 병합, 중복 제거
• "date": 최신순
• "relevance": 관련도순

---

기사 수 집계 (get_article_count)

키워드별 기사 수를 일별/주별/월별로 집계합니다.

예시 질문:
- "올해 AI 관련 기사가 몇 건이나 있어?"
- "반도체 기사 수 월별로 보여줘"

파라미터:

파라미터	필수	설명	예시
keyword	O	검색 키워드	"AI"
start_date	O	시작일	"2025-01-01"
end_date	O	종료일	"2025-12-15"
group_by	X	집계 단위	"total", "day", "week", "month"
providers	X	언론사 필터	["경향신문"]

---

기사 상세 조회 (get_article)

BigKinds 기사 ID로 전체 본문을 조회합니다.

예시 질문:
- "이 기사 전문 보여줘"
- "기사 ID가 02100101.20251215174513002인 기사 내용"

파라미터:

파라미터	필수	설명
news_id	△	BigKinds 기사 ID
url	△	기사 URL (news_id 없을 때)
include_full_content	X	전문 포함 여부 (기본: True)

Note: BigKinds detailView API를 통해 전체 본문을 가져옵니다. 실패 시 URL 스크래핑으로 폴백합니다.

---

기사 스크래핑 (scrape_article_url)

URL에서 직접 기사 내용을 추출합니다.

예시 질문:
- "이 URL의 기사 내용 가져와줘: https://n.news.naver.com/..."
- "네이버 뉴스 기사 스크래핑해줘"

파라미터:

파라미터	필수	설명
url	O	기사 URL
extract_images	X	이미지 추출 여부 (기본: False)

---

오늘의 이슈 (get_today_issues)

일별 인기 이슈 Top 10을 조회합니다.

예시 질문:
- "오늘 인기 뉴스 뭐야?"
- "서울 지역 이슈 보여줘"
- "AI가 선정한 오늘의 이슈"

파라미터:

파라미터	필수	설명	값
date	X	조회 날짜 (기본: 오늘)	"2025-12-15"
category	X	카테고리 필터	"전체", "서울", "경인강원", "충청", "경상", "전라제주", "AI"

---

키워드 비교 (compare_keywords)

여러 키워드의 기사 수를 비교 분석합니다.

예시 질문:
- "AI, 반도체, 전기차 기사 수 비교해줘"
- "올해 가장 많이 언급된 키워드가 뭐야?"

파라미터:

파라미터	필수	설명
keywords	O	비교할 키워드 목록 (2-10개)
start_date	O	시작일
end_date	O	종료일
group_by	X	집계 단위 ("total", "day", "week", "month")

---

대용량 샘플링 (smart_sample)

대용량 검색 결과에서 대표 샘플을 추출합니다.

예시 질문:
- "이재명 관련 기사 100건만 샘플링해줘"
- "균등하게 분포된 샘플 뽑아줘"

파라미터:

파라미터	필수	설명
keyword	O	검색 키워드
start_date	O	시작일
end_date	O	종료일
sample_size	X	샘플 수 (기본: 100, 최대: 500)
strategy	X	샘플링 전략

샘플링 전략:

• "stratified" (기본값): 기간별 균등 분포
• "latest": 최신 기사 우선
• "random": 무작위 샘플링

---

전체 내보내기 (export_all_articles)

검색 결과를 파일로 내보냅니다.

예시 질문:
- "AI 관련 기사 전체 JSON으로 저장해줘"
- "분석용 데이터 CSV로 내보내줘"

파라미터:

파라미터	필수	설명
keyword	O	검색 키워드
start_date	O	시작일
end_date	O	종료일
output_format	X	출력 형식 ("json", "csv", "jsonl")
output_path	X	저장 경로 (기본: 자동 생성)
max_articles	X	최대 기사 수 (기본: 10,000, 최대: 50,000)
include_content	X	전문 포함 여부 (기본: False)

Note: 100건 이상의 데이터 분석 시 export_all_articles로 로컬 파일 저장 후 Python 스크립트로 분석하는 것을 권장합니다.

---

키워드 트렌드 (get_keyword_trends) - 로그인 필요

키워드별 기사 수 추이를 시계열로 분석합니다.

예시 질문:
- "AI 키워드 트렌드 보여줘"
- "올해 반도체 기사 추이 분석"

환경변수 설정 필요:

export BIGKINDS_USER_ID=your_email@example.com
export BIGKINDS_USER_PASSWORD=your_password

---

연관어 분석 (get_related_keywords) - 로그인 필요

검색 키워드와 연관된 키워드를 TF-IDF 기반으로 추출합니다.

예시 질문:
- "AI와 연관된 키워드가 뭐야?"
- "반도체 관련 연관어 분석해줘"

---

지원 언론사 및 카테고리

언론사 (72개)

종합일간지: 경향신문, 국민일보, 동아일보, 문화일보, 서울신문, 세계일보, 조선일보, 중앙일보, 한겨레, 한국일보

경제지: 매일경제, 머니투데이, 서울경제, 아시아경제, 아주경제, 파이낸셜뉴스, 한국경제, 헤럴드경제

방송사: KBS, MBC, SBS, YTN, 연합뉴스TV

전문지: 디지털타임스, 전자신문 등

카테고리 (8개)

정치, 경제, 사회, 문화, 국제, 지역, 스포츠, IT_과학

---

MCP Resources

URI	설명
stats://providers	전체 언론사 코드 목록
stats://categories	전체 카테고리 코드 목록
news://{keyword}/{date}	특정 날짜 뉴스 검색 결과
article://{news_id}	개별 기사 정보

---

MCP Prompts

Prompt	설명
news_analysis	뉴스 분석 (요약/감성/트렌드/비교)
trend_report	트렌드 리포트 생성
issue_briefing	일일 이슈 브리핑
large_scale_analysis	대용량 분석 워크플로우 가이드

---

시각화 유틸리티 (v3.0)

뉴스 분석 결과를 다양한 차트 라이브러리 포맷으로 변환하는 유틸리티를 제공합니다.

지원 포매터

포매터	설명	지원 라이브러리
format_chart_data	시계열 차트	ECharts, Plotly, Chart.js
format_wordcloud_data	워드클라우드	wordcloud2.js
format_timeline_data	타임라인	TimelineJS
format_comparison_data	비교 차트	ECharts
format_heatmap_data	히트맵	ECharts

사용 예시

from bigkinds_mcp.visualization import format_chart_data, format_wordcloud_data

# 키워드 트렌드 → ECharts 라인 차트
trends = await get_keyword_trends("AI", "2025-12-01", "2025-12-15")
chart_data = format_chart_data(
    trends["trends"][0]["data"],
    chart_type="line",
    format="echarts"
)

# 연관어 → 워드클라우드
related = await get_related_keywords("AI", "2025-12-01", "2025-12-15")
wordcloud = format_wordcloud_data(related["related_words"], max_items=50)

차트 라이브러리 호환성

• ECharts 5.x: 기본 포맷, 고성능 대용량 데이터 시각화
• Plotly 2.x: Python Plotly 호환, 인터랙티브 차트
• Chart.js 4.x: 웹 대시보드용 경량 차트
• TimelineJS 3.x: 뉴스 이벤트 타임라인
• wordcloud2.js: 키워드 워드클라우드

📖 상세 API: docs/MCP_SERVER_DESIGN.md

---

환경변수

변수	필수	설명	기본값
BIGKINDS_USER_ID	△	BigKinds 로그인 이메일	-
BIGKINDS_USER_PASSWORD	△	BigKinds 로그인 비밀번호	-
BIGKINDS_TIMEOUT	X	API 타임아웃 (초)	30
BIGKINDS_MAX_RETRIES	X	최대 재시도 횟수	3
BIGKINDS_RETRY_DELAY	X	재시도 간격 (초)	1.0

Note: 로그인이 필요한 기능(키워드 트렌드, 연관어 분석)을 사용하려면 BIGKINDS_USER_ID와 BIGKINDS_USER_PASSWORD를 설정하세요.

---

개발

소스에서 설치

git clone https://github.com/seolcoding/bigkinds-mcp.git
cd bigkinds-mcp
uv sync

서버 실행

uv run bigkinds-mcp

테스트

# 전체 테스트
uv run pytest

# 단위 테스트만
uv run pytest tests/unit/ -v

# 통합 테스트 (실제 API 호출)
uv run pytest tests/integration/ -v

린트 및 포맷

uv run ruff check .
uv run ruff format .

---

프로젝트 구조

bigkinds/
├── src/bigkinds_mcp/           # MCP 서버
│   ├── server.py               # 엔트리포인트
│   ├── tools/                  # MCP Tools (15개)
│   │   ├── search.py           # 검색 도구
│   │   ├── article.py          # 기사 도구
│   │   ├── analysis.py         # 분석 도구
│   │   └── metadata.py         # 메타데이터 도구
│   ├── resources/              # MCP Resources (4개)
│   ├── prompts/                # MCP Prompts (4개)
│   ├── core/                   # 핵심 모듈
│   │   ├── async_client.py     # 비동기 API 클라이언트
│   │   ├── async_scraper.py    # 비동기 스크래퍼
│   │   └── cache.py            # 인메모리 캐시
│   ├── visualization/          # 시각화 유틸리티 (v3.0)
│   │   ├── chart_formatter.py  # 차트 데이터 포맷팅
│   │   ├── wordcloud_formatter.py
│   │   ├── timeline_formatter.py
│   │   ├── comparison_formatter.py
│   │   └── heatmap_formatter.py
│   ├── models/                 # Pydantic 스키마
│   └── utils/                  # 유틸리티
├── tests/                      # 테스트
│   ├── unit/                   # 단위 테스트
│   ├── integration/            # 통합 테스트
│   └── e2e/                    # E2E 테스트
└── docs/                       # 문서

---

기여하기

기여를 환영합니다! 다음 방법으로 기여할 수 있습니다:

1. 버그 리포트: Issues에 버그를 보고해주세요.
2. 기능 요청: 새로운 기능 아이디어를 제안해주세요.
3. Pull Request: 코드 개선, 버그 수정, 문서 개선 등

개발 가이드

1. Fork 후 브랜치 생성
2. 변경사항 커밋
3. 테스트 통과 확인 (uv run pytest)
4. Pull Request 생성

---

관련 링크

• PyPI Package
• BigKinds 공식 사이트
• MCP Protocol

---

라이선스

MIT License - 자유롭게 사용, 수정, 배포할 수 있습니다.

---

주의사항

• 이 프로젝트는 BigKinds의 비공식 API를 활용합니다.
• BigKinds 이용약관을 준수하여 사용해주세요.
• 대량 요청 시 서버에 부담을 주지 않도록 적절한 딜레이를 두세요.