爬虫简介
image这是一个在未登录的情况下,根据企业名称搜索,爬取企业页面数据的采集程序
注意:这是一个比较简单的爬虫,基本上只用到了代理,没有用到其他的反反爬技术,不过由于爬取的数据比较多, 适合刷解析技能的熟练度 ,所以高手勿进
python版本:python2.7
编码工具:pycharm
数据存储:mysql
爬虫结构:广度爬虫
爬虫思路:
image- 先获取需要采集信息的公司:
- 从数据库中获取
- 获取字段:etid,etname
- 将获取的数据存储的状态表中
- 从状态表中获取数据,并更新状态表
- 拼接初始URL:
- 将etname和初始url进行拼接,获得初始网址
- 将初始url放到一个列表中,获取HTML的时候如何出错,将出错的url放到另一个列表中,进行循环获取
- 请求解析初始一级页面:
- 验证查询的公司是否正确(??)
- 获取二级页面url
- 将二级url放到一个列表中,获取HTML的时候如何出错,将出错的url放到另一个列表中,进行循环获取
- 请求解析二级页面:
- 获取的信息待定
- 将公司的信息存储到数据库中:
- 建表
- 存储信息
身为老司机,还是得分享些干货精品学习资料的,推荐下小编创建的Python学习交流群556370268,这里都是一群爱好Python的小伙伴,每天还会直播和大家交流分享经验哦。
所建的表:
image- 企业主要信息: et_host_info
- 工商信息: et_busi_info
- 分支机构信息: et_branch_office
- 软件著作权信息: et_container_copyright_info
- 网站备案信息: et_conrainer_icp_info
- 对外投资信息: et_foreign_investment_info
- 融资信息: et_rongzi_info
- 股东信息: et_stareholder_info
- 商标信息: et_trademark_info
- 微信公众号信息:et_wechat_list_info
- 状态表: et_name_status
看一下部分的结果图:
image image image image
网友评论