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

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