python爬虫爬天眼查失信守信企业的名称数据。

import requests as rqs
import bs4
import re
import webbrowser

# 失信url的合成
root_url = "https://shixin.tianyancha.com/"
search_target = "gs_" + "供应链"
divide_sign = "/"
operator = "search"
number_pane = 98
start_pane = 1
url = root_url + operator + divide_sign + search_target + divide_sign + "p" + "{:d}"

# 守信url的合成
# root_url = "https://www.tianyancha.com/"
# search_target = "key=" + "供应链"
# params = "&base=" + "gs"
# divide_sign = "/"
# operator = "search"
# number_pane = 98    # 爬多少页
# start_pane = 1       # 起始页
# url = root_url + operator + divide_sign +"p"+ "{:d}?"+ search_target + params   #合成url
#print(url)

#爬取的数据保存在什么文件里面
save_file_name = "甘肃.txt"

# 请求头的设立
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36'
}

# 由于天眼查需要登录,所以我们可以先登录,从浏览器获得cookie值,保存在本地的一个文件,需要的时候再提取出来
cookie = "C:\\Users\\Administrator\\Desktop\\cookie.txt"
with open(cookie, "r",encoding="utf-8") as f:  # 打开文件
    data = f.read()  # 读取文件\
    print(data)
    headers['Cookie'] = data

session = rqs.Session()
print("爬取的网页为:", url)

# 该函数从指定的url中获得html代码,调用bs4库来解析
def getHtmlFromUrl(index_url):
    # 发送请求,并获得response
    response = session.get(index_url, headers=headers)
    soup = bs4.BeautifulSoup(response.text, "lxml")
    result = soup.find_all("a", class_="name")
    print("url: "+index_url)
    if len(result) == 0:
        # 这里需要注意的是,如果在爬取的过程中发现返回的长度为0的话,说明网站在怀疑你是不是爬虫
        print("被识别为机器人")
        # 打开网页,输入验证码
        webbrowser.open(index_url)
        return None
    print(len(result))
    return result

save_file = "C:\\Users\\Administrator\\Desktop\\"+save_file_name
with open(save_file,'a',encoding="utf-8") as save_file:
    for i in range(start_pane,number_pane+1):
        result_list = getHtmlFromUrl(url.format(i))
        if result_list == None:
            # 输入验证码后,需要重新设置参数,继续爬取,参数在靠头
            raise Exception("请将start_pane参数修改为"+str(i))
        for k in result_list:
            # 写入文件
            save_file.write(k.text)
            save_file.write("\n")
    # time.sleep(500)
print("爬取完成")

注意需要先登录获取cookie 才能爬取奥,详细请看代码,如果有问题的话欢迎评论区交流。

Thanks♪(・ω・)ノ,谢谢阅读

  • 1
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
您好!要使用Python进行天眼爬虫,您可以按照以下步骤进行操作: 1. 安装所需的库:首先,确保您已经安装了Python,并使用pip安装了必要的库,如requests、beautifulsoup4和lxml。您可以使用以下命令进行安装: ``` pip install requests beautifulsoup4 lxml ``` 2. 发送请求并获取HTML:使用requests库发送GET请求到天眼网站,获取返回的HTML页面。您可以使用以下代码实现: ```python import requests url = 'https://www.tianyancha.com/' headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.71 Safari/537.36' } response = requests.get(url, headers=headers) html = response.text ``` 3. 解析HTML并提取数据:使用beautifulsoup4库解析HTML页面,并提取所需的数据。您可以根据天眼网站的页面结构和需要取的信息进行相应的解析操作。以下是一个简单的示例,提取公司名称和注册资本: ```python from bs4 import BeautifulSoup soup = BeautifulSoup(html, 'lxml') company_name = soup.select_one('.name').text registered_capital = soup.select_one('.regCapital').text ``` 4. 处理反措施:天眼网站可能会采取一些反措施,如验证码、IP封锁等。您可能需要在取过程中处理这些反措施,例如使用代理IP、设置请求头、处理验证码等。根据具体情况进行相应的处理。 请注意,根据天眼网站的使用条款,未经授权天眼数据可能违反相关规定,请确保您的取行为合法合规,并遵守网站的使用规定。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值