Python爬虫爬企查查数据

因为制作B2b网站需要,需要入库企业信息数据。所以目光锁定企查查数据,废话不多说,开干!

#-*- coding-8 -*-
import requests
import lxml
import sys
from bs4 import BeautifulSoup
import xlwt
import time
import urllib
 
def craw(url,key_word,x):
    User_Agent = ‘Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:56.0) Gecko/20100101 Firefox/56.0‘
#    if x == 0:
#        re = ‘http://www.qichacha.com/search?key=‘+key_word
#    else:
#        re = ‘https://www.qichacha.com/search?key={}#p:{}&‘.format(key_word,x-1)
    re = r‘https://www.qichacha.com/search?key=‘+key_word
    headers = {
            ‘Host‘:‘www.qichacha.com‘,
            ‘Connection‘: ‘keep-alive‘,
            ‘Accept‘:r‘text/html, */*; q=0.01‘,
            ‘X-Requested-With‘: ‘XMLHttpRequest‘,
            ‘User-Agent‘:r‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36‘,
            ‘Referer‘: re,
            ‘Accept-Encoding‘:‘gzip, deflate, br‘,
            ‘Accept-Language‘:‘zh-CN,zh;q=0.9‘,
            ‘Cookie‘:r‘xxxxxxxxx这里换成你的cookiexxxxxxxx这里换成你的cookiexxxxxxxxx这里换成你的cookiexxxxxxx‘,
            }
 
    try:
        response = requests.get(url,headers = headers)
        if response.status_code != 200:
            response.encoding = ‘utf-8‘
            print(response.status_code)
            print(‘ERROR‘)   
        soup = BeautifulSoup(response.text,‘lxml‘)
    except Exception:
        print(‘请求都不让,这企查查是想逆天吗???‘)
    try:
        com_all_info = soup.find_all(class_=‘m_srchList‘)[0].tbody
        com_all_info_array = com_all_info.select(‘tr‘)
        print(‘开始爬取数据,请勿打开excel‘)
        for i in range(0,len(com_all_info_array)):
#            try:
                temp_g_name = com_all_info_array[i].select(‘td‘)[2].select(‘.ma_h1‘)[0].text    #获取公司名
                temp_g_tag = com_all_info_array[i].select(‘td‘)[2].select(‘.search-tags‘)[0].text    #获取公司标签
                temp_r_name = com_all_info_array[i].select(‘td‘)[2].select(‘p‘)[0].a.text    #获取法人名
                temp_g_money = com_all_info_array[i].select(‘td‘)[2].select(‘p‘)[0].select(‘span‘)[0].text.strip(‘注册资本:‘)    #获取注册资本
                temp_g_date = com_all_info_array[i].select(‘td‘)[2].select(‘p‘)[0].select(‘span‘)[1].text.strip(‘成立日期:‘)    #获取公司注册时间
                temp_r_email = com_all_info_array[i].select(‘td‘)[2].select(‘p‘)[1].text.split(‘\n‘)[1].strip().strip(‘邮箱:‘)    #获取法人Email
                temp_r_phone = com_all_info_array[i].select(‘td‘)[2].select(‘p‘)[1].select(‘.m-l‘)[0].text.strip(‘电话:‘)    #获取法人手机号
                temp_g_addr = com_all_info_array[i].select(‘td‘)[2].select(‘p‘)[2].text.strip().strip(‘地址:‘)    #获取公司地址
                temp_g_state = com_all_info_array[i].select(‘td‘)[3].select(‘.nstatus.text-success-lt.m-l-xs‘)[0].text.strip()  #获取公司状态
                 
                g_name_list.append(temp_g_name)
                g_tag_list.append(temp_g_tag)
                r_name_list.append(temp_r_name)
                g_money_list.append(temp_g_money)
                g_date_list.append(temp_g_date)
                r_email_list.append(temp_r_email)
                r_phone_list.append(temp_r_phone)
                g_addr_list.append(temp_g_addr)
                g_state_list.append(temp_g_state)
                 
#            except Exception:
#                print(‘错误!‘)
    except Exception:
        print(‘好像被拒绝访问了呢...请稍后再试叭...‘)
         
if __name__ == ‘__main__‘:
    global g_name_list
    global g_tag_list
    global r_name_list
    global g_money_list
    global g_date_list
    global r_email_list
    global r_phone_list
    global g_addr_list
    global g_state_list
     
    g_name_list=[]
    g_tag_list=[]
    r_name_list=[]
    g_money_list=[]
    g_date_list=[]
    r_email_list=[]
    r_phone_list=[]
    g_addr_list=[]
    g_state_list=[]
 
    key_word = input(‘请输入您想搜索的关键词:‘)
    num = int(input(‘请输入您想检索的次数:‘))+1
    sleep_time = int(input(‘请输入每次检索延时的秒数:‘))
     
    key_word = urllib.parse.quote(key_word)
     
    print(‘正在搜索,请稍后‘)
     
    for x in range(1,num):
        url = r‘https://www.qichacha.com/search_index?key={}&ajaxflag=1&p={}&‘.format(key_word,x)
        s1 = craw(url,key_word,x)
        time.sleep(sleep_time)
    workbook = xlwt.Workbook()
    #创建sheet对象,新建sheet
    sheet1 = workbook.add_sheet(‘企查查数据‘, cell_overwrite_ok=True)
    #---设置excel样式---
    #初始化样式
    style = xlwt.XFStyle()
    #创建字体样式
    font = xlwt.Font()
    font.name = ‘仿宋‘
#    font.bold = True #加粗
    #设置字体
    style.font = font
    #使用样式写入数据
    print(‘正在存储数据,请勿打开excel‘)
    #向sheet中写入数据
    name_list = [‘公司名字‘,‘公司标签‘,‘法定法人‘,‘注册资本‘,‘成立日期‘,‘法人邮箱‘,‘法人电话‘,‘公司地址‘,‘公司状态‘]
    for cc in range(0,len(name_list)):
        sheet1.write(0,cc,name_list[cc],style)
    for i in range(0,len(g_name_list)):
        print(g_name_list[i])
        sheet1.write(i+1,0,g_name_list[i],style)#公司名字
        sheet1.write(i+1,1,g_tag_list[i],style)#公司标签
        sheet1.write(i+1,2,r_name_list[i],style)#法定法人
        sheet1.write(i+1,3,g_money_list[i],style)#注册资本
        sheet1.write(i+1,4,g_date_list[i],style)#成立日期
        sheet1.write(i+1,5,r_email_list[i],style)#法人邮箱
        sheet1.write(i+1,6,r_phone_list[i],style)#法人电话
        sheet1.write(i+1,7,g_addr_list[i],style)#公司地址
        sheet1.write(i+1,8,g_state_list[i],style)#公司状态
    #保存excel文件,有同名的直接覆盖
    workbook.save(r"D:\wyy-qcc-"+time.strftime("%Y-%m-%d-%H-%M-%S", time.localtime()) +".xls")
    print(‘保存完毕~‘)

  

原文地址:https://www.cnblogs.com/68xi/p/11206584.html

时间: 2024-10-09 07:02:19

Python爬虫爬企查查数据的相关文章

python爬虫——爬取网页数据和解析数据

1.网络爬虫的基本概念 网络爬虫(又称网络蜘蛛,机器人),就是模拟客户端发送网络请求,接收请求响应,一种按照一定的规则,自动地抓取互联网信息的程序.只要浏览器能够做的事情,原则上,爬虫都能够做到. 2.网络爬虫的功能   图2 网络爬虫可以代替手工做很多事情,比如可以用于做搜索引擎,也可以爬取网站上面的图片,比如有些朋友将某些网站上的图片全部爬取下来,集中进行浏览,同时,网络爬虫也可以用于金融投资领域,比如可以自动爬取一些金融信息,并进行投资分析等. 有时,我们比较喜欢的新闻网站可能有几个,每次

用Python爬虫爬取广州大学教务系统的成绩(内网访问)

用Python爬虫爬取广州大学教务系统的成绩(内网访问) 在进行爬取前,首先要了解: 1.什么是CSS选择器? 每一条css样式定义由两部分组成,形式如下: [code] 选择器{样式} [/code] 在{}之前的部分就是"选择器"."选择器"指明了{}中的"样式"的作用对象,也就是"样式"作用于网页中的哪些元素.可参考:http://www.w3school.com.cn/cssref/css_selectors.asph

java调用Linux执行Python爬虫,并将数据存储到elasticsearch--(环境脚本搭建)

java调用Linux执行Python爬虫,并将数据存储到elasticsearch中 一.以下博客代码使用的开发工具及环境如下: 1.idea: 2.jdk:1.8 3.elasticsearch:5.2.0 4.Linux 5.Python 6.maven 二.maven坐标: <!--java连接ulinix脚本架包--> <dependency> <groupId>ch.ethz.ganymed</groupId> <artifactId>

python之爬取网页数据总结(一)

今天尝试使用python,爬取网页数据.因为python是新安装好的,所以要正常运行爬取数据的代码需要提前安装插件.分别为requests    Beautifulsoup4   lxml  三个插件. 因为配置了环境变量,可以cmd命令直接安装.假如电脑上有两个版本的python,建议进入到目录安装. 安装的命令为 pip install requests(Beautifulsoup4   /lxml  ) 三条分别执行. 安装结束,可以尝试网上一些简单的例子,明白了解 Beautifulso

python爬虫—爬取英文名以及正则表达式的介绍

python爬虫—爬取英文名以及正则表达式的介绍 爬取英文名: 一.  爬虫模块详细设计 (1)整体思路 对于本次爬取英文名数据的爬虫实现,我的思路是先将A-Z所有英文名的连接爬取出来,保存在一个csv文件中:再读取csv文件当中的每个英文名链接,采用循环的方法读取每一个英文名链接,根据每个英文名链接爬取每个链接中的数据,保存在新的csv文件当中. 需要写一个爬取英文名链接的函数.将爬取的内容保存在csv文件的函数以及读取csv文件内容的函数.爬取英文名详情页内容的函数. 表5.3.1 函数名

Python爬虫--2019大学排名数据抓取

Python爬虫--2019大学排名数据抓取 准备工作 输入:大学排名URL连接 输出:大学排名信息屏幕输出 所需要用到的库:requests,bs4 思路 获取网页信息 提取网页中的内容并放到数据结构中 利用数据结构展示并输出结果 程序设计 定义函数getHTMLText()获取网页信息 定义函数UnivList()放入数据结构 定义函数printUnivList()输出到屏幕 总体而言: 写出需要自定义的函数,制作出总体的框架 写出主函数框架,实现功能 最后调用函数 步骤 查看url源代码

python爬虫爬取csdn博客专家所有博客内容

python爬虫爬取csdn博客专家所有博客内容: 全部过程采取自动识别与抓取,抓取结果是将一个博主的所有 文章存放在以其名字命名的文件内,代码如下 结果如下: 版权声明:本文为博主原创文章,未经博主允许不得转载.

简单的python爬虫 爬的乌云漏洞类型

import urllib.request import re starturl="http://wooyun.org/searchbug.php?q=%E9%87%91%E8%9E%8D" def get_html_response(url): html_response = urllib.request.urlopen(url).read().decode('utf-8') return html_response def geturl(starturl): a=get_html_

python爬虫爬取美女图片

python 爬虫爬取美女图片 #coding=utf-8 import urllib import re import os import time import threading def getHtml(url): page = urllib.urlopen(url) html = page.read() return html def getImgUrl(html,src): srcre = re.compile(src) srclist = re.findall(srcre,html)