作者本機環境：
系統-windows10
編程語言-Python
Python版本-Python3.6.8
解析工具-Xpath（解析工具不唯一，均可，這里只演示xpath）
編寫工具-Pycharm
本內容使用Python語言進行編寫，而Python也是編寫爬蟲比較好的一款編程語言，小白可以快速入門，語法比其他編程語言稍簡單一些，那么這里使用的Python面向對象去寫的這么一個爬蟲文件，對天眼查網站進行爬取，頁面經過分析是靜態網頁，內容抓取相對動態網站要簡單的多；直接是按照這樣一個思路來寫代碼，分析出不同頁面的url進行分頁處理，而拿到的列表頁要對其每一個詳情的url進行提取，提取到之后使用詳情url發起請求抓取詳情頁面。
在這里補充一點，我使用的是Python3.6.8，而大家可以根據自己的情況去選擇，這里是使用的普通爬蟲requests進行爬取，那么Python還有強大的第三方庫Scrapy框架，能夠達到更高效，并且在RedisSpider的延伸中對于爬取到的數據存儲速度上非?？欤驗閞edis數據庫是基于內存進行存儲數據的，更是有一個可以去重的這樣一個功能；而scrapy內部的去重原理在源碼中是有一個set集合進行去重的，了解Python的肯定對這點不陌生——set集合去重
import requests
from lxml import etree
class TianYanCha():
def __init__(self, url):
self.url = url
# 請求頭
self.headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36",
"Cookie": "aliyungf_tc=AQAAAL9zfjMqLAQAGpXaG0rH+SQSMyir; csrfToken=D4W5eHOZUdVKKtVN8B5RcWil; jsid=SEM-BAIDU-PZ2003-VI-000001; TYCID=ee9c15b0727811eabdfbb3a9464b1d4e; undefined=ee9c15b0727811eabdfbb3a9464b1d4e; ssuid=7522613240; bannerFlag=false; _ga=GA1.2.2024087523.1585567433; _gid=GA1.2.1441861791.1585567433; Hm_lvt_e92c8d65d92d534b0fc290df538b4758=1585567432,1585568902; refresh_page=0; RTYCID=06e1215159ed40e9b936441fe8b79c12; token=9b83740966314eef9746e9fee609fd9a; _utm=8c3b6195c8d347ccab2335d8abd7a664; CT_TYCID=25b749040e3a45c98de53deb2d0d8104; cloud_token=9d4a9eb888e64a1bb4da17049cf08014; Hm_lpvt_e92c8d65d92d534b0fc290df538b4758=1585571475; _gat_gtag_UA_123487620_1=1",
"Content-Type": "application/json; charset=UTF-8",
"Accept-Encoding": "gzip, deflate, br",
}
self.item_list = {} # 存儲隊列
def zhixing(self):
self.response = requests.get(url=self.url, headers=self.headers).text # 起始URL
# print(self.response)
self.fen1 = etree.HTML(self.response)
self.datas1 = self.fen1.xpath(
'//div[@class="search-result-single "]/div[@class="content"]/div[@class="header"]/a/@href')
# print(self.datas1) # 詳情頁url
for self.dataaa in self.datas1:
self.urls = self.dataaa # 詳情頁url地址
# print(self.urls)
def xiang_qing(self):
import time
time.sleep(1)
self.response_content = requests.get(url=self.urls, headers=self.headers).text
self.datalist = etree.HTML(self.response_content)
self.datas = self.datalist.xpath('//div[@class="box -company-box "]')
# 公司數據
for self.data in self.datas:
self.item_list["公司名稱"] = self.data.xpath('./div[@class="content"]/div[@class="header"]/h1/text()')
self.item_list['注冊資本'] = self.data.xpath(
'//*[@id="_container_baseInfo"]/table[2]/tbody/tr[1]/td[2]/div/text()')
self.item_list['成立日期'] = self.data.xpath(
'//*[@id="_container_baseInfo"]/table[2]/tbody/tr[2]/td[2]/div/text()')
self.item_list['行業'] = self.data.xpath('//*[@id="_container_baseInfo"]/table[2]/tbody/tr[5]/td[4]/text()')
self.item_list['注冊地址 '] = self.data.xpath(
'//*[@id="_container_baseInfo"]/table[2]/tbody/tr[10]/td[2]/text()')
self.item_list['經營范圍'] = self.data.xpath(
'//*[@id="_container_baseInfo"]/table[2]/tbody/tr[11]/td[2]/span/text()')
self.item_list['法定代表人'] = self.data.xpath(
'//*[@id="_container_baseInfo"]/table[1]/tbody/tr[1]/td[1]/div/div[1]/div[2]/div[1]/a/@title')
print(self.item_list)
if __name__ == '__main__':
for i in range(1,100):
url = "https://www.tianyancha.com/search/p"+str(i)+"?key=%E5%9B%BD%E5%AE%B6%E7%94%B5%E7%BD%91" # 分頁
tianyancha = TianYanCha(url)
tianyancha.zhixing()
tianyancha.xiang_qing()
