爬取企业信息-企业信用信息查询系统-天眼查爬虫

（知乎也有我的文章）
在这里，先表明，此爬虫是否失效，视时间而定，解析网页内容方法较为原始，本人并非爬虫大神，开始爬虫只是因为数学建模需要自己爬取数据（坑爹），整个队伍就我一个计算机专业，责任在我，只好硬着头皮去搞，没想到还挺有成就感。好，话不多说，直接上代码# -*- coding: utf-8 -*-
"""
Created on Thu Feb 8 18:09:44 2018

@author: 白马非马
"""

#!/usr/bin/env python
# -*- coding:utf-8 -*-
#需要事先安装selenium和plantom.js，不适合大量爬虫，速度太慢，这里只爬取所有行业的第一页20个公司
#注意需要少量人工值守，当代理IP意外在4个行业以内超时崩掉时。需要手动关闭，可能不关闭代理IP会自动好转，但基本不可能
from selenium import webdriver
import time
import pymysql
from bs4 import BeautifulSoup #网页代码解析器
from selenium.webdriver.common.desired_capabilities import DesiredCapabilities
from selenium.webdriver.common.proxy import Proxy
from selenium.webdriver.common.proxy import ProxyType
import json
import urllib.request

ipurl = "http://piping.mogumiao.com/proxy/api/get_ip_al?appKey=6d22aed70f7d0479cbce55dff726a8d8a&count=1&expiryDate=5&format=1"
#代理IP获取API

connect = pymysql.Connect(
host='localhost',
port=3306,
user='root',
passwd='1234',
db='user',
charset='utf8'
)

#mysql数据库驱动信息

#获取代理IP
def getip_port():
req = urllib.request.Request(ipurl)
data = urllib.request.urlopen(req).read()
#loads:把json转换为dict
s1 = json.loads(data)
#print (s1["msg"][0]["ip"] )
#print (s1["msg"][0]["port"] )
ipstrs=s1["msg"][0]["ip"]+":"+s1["msg"][0]["port"]
print("代理IP:"+ipstrs)
return ipstrs

#创建浏览器驱动
def driver_open():
#dcap = dict(DesiredCapabilities.PHANTOMJS)
# dcap["phantomjs.page.settings.userAgent"] = (
#"Mozilla/5.0 (Windows NT 6.1; WOW64; rv:50.0) Gecko/20100101 Firefox/50.0"
#)
#driver = webdriver.PhantomJS(executable_path='phantomjs.exe', desired_capabilities=dcap)

proxy = Proxy(
{
'proxyType': ProxyType.MANUAL,
'httpProxy': getip_port() # 代理ip和端口
}
)
desired_capabilities = DesiredCapabilities.PHANTOMJS.copy()
desired_capabilities = dict(DesiredCapabilities.PHANTOMJS)
desired_capabilities["phantomjs.page.settings.userAgent"] = (
"Mozilla/5.0 (Windows NT 6.1; WOW64; rv:50.0) Gecko/20100101 Firefox/50.0"
)
# 把代理ip加入到技能中
proxy.add_to_capabilities(desired_capabilities)
driver = webdriver.PhantomJS(
executable_path='phantomjs.exe',
desired_capabilities=desired_capabilities
)
return driver

#获取网页内容
def get_content(driver,url):
driver.get(url)
#等待5秒，更据动态网页加载耗时自定义
#sleeptime=random.randint(2,3)
time.sleep(1)
content = driver.page_source.encode('utf-8')
#driver.close()
soup = BeautifulSoup(content, 'lxml')
#print(soup)
return soup

#解析网页内容，爬虫筛选不完善，不匹配所有网页，
#天眼查4分之三的网页可正常解析，时间为2018-2-27
#有爬虫大神可对此进行改进，期待谢谢
def get_basic_info(soup,instr):
#com=soup.find_all("span")
#print(com[6])

company = soup.find(attrs={'class':'f18 in-block vertival-middle sec-c2'}).text
fddbr = soup.find(attrs={'class':'f18 overflow-width sec-c3'}).text
#fddbr=soup.find_all("a")
baseinfo = soup.find_all(attrs={'class':'baseinfo-module-content-value'})
zczb =baseinfo[0].text
zt = baseinfo[2].text
zcrq =baseinfo[1].text

foundAllTd = soup.find_all("td");
#print len(basics)

#jyfw = soup.find(attrs={'class':'js-full-container hidden'}).text
print (u'公司名称：'+company)
print( u'法定代表人：'+fddbr)
print (u'注册资本：'+zczb)

print (u'公司状态：'+zt)
print (u'注册日期：'+zcrq)

#根据网页td标签粗略识别网页类型，
#有两种，一种大公司，报表内容较为多，td标签数大致为800到1000
#小公司基本在500以下
#少量公司td标签数在中间，无法很好识别，数量不多，影响不大，时间：2018-2-26
if len(foundAllTd) > 600:
"""

print (u'员工人数：'+foundAllTd[50].text)
print (u'行业：'+foundAllTd[527].text)
print (u'企业类型：'+foundAllTd[523].text)

#print (u'工商注册号：'+foundAllTd[517].text)
print( u'组织机构代码：'+foundAllTd[519].text)
print (u'营业期限：'+foundAllTd[529].text)
print( u'登记机构：'+foundAllTd[533].text)
print (u'核准日期：'+foundAllTd[531].text)
print( u'统一社会信用代码：'+foundAllTd[521].text)
print (u'注册地址：'+foundAllTd[537].text)
print (u'经营范围：'+foundAllTd[539].text)
"""
sql = "INSERT INTO company (instr,company_name,industry,business_scope,type_enterprise,regist_capital,legal_represent,regist_date,company_status,operat_period,registrat_body,approval_date,address,people_num) VALUES ( '%s','%s','%s', '%s', '%s', '%s', '%s', '%s', '%s', '%s', '%s', '%s', '%s', '%s' )"
data = (instr,company, foundAllTd[527].text, foundAllTd[539].text,foundAllTd[523].text ,zczb , fddbr,zcrq ,zt,foundAllTd[529].text ,foundAllTd[533].text ,foundAllTd[531].text ,foundAllTd[537].text,foundAllTd[49].text)

else:
"""
print (u'行业：'+foundAllTd[18].text)
#print (u'工商注册号：'+foundAllTd[8].text)
print (u'企业类型：'+foundAllTd[14].text)
print( u'组织机构代码：'+foundAllTd[10].text)
print (u'营业期限：'+foundAllTd[20].text)
print( u'登记机构：'+foundAllTd[24].text)
print (u'核准日期：'+foundAllTd[22].text)
print( u'统一社会信用代码：'+foundAllTd[16].text)
print (u'注册地址：'+foundAllTd[28].text)
print (u'经营范围：'+foundAllTd[30].text)
"""
sql = "INSERT INTO company (instr,company_name,industry,business_scope,type_enterprise,regist_capital,legal_represent,regist_date,company_status,operat_period,registrat_body,approval_date,address) VALUES ( '%s','%s', '%s', '%s', '%s', '%s', '%s', '%s', '%s', '%s', '%s', '%s', '%s' )"
data = (instr,company, foundAllTd[18].text, foundAllTd[30].text,foundAllTd[14].text ,zczb , fddbr,zcrq ,zt,foundAllTd[20].text ,foundAllTd[24].text ,foundAllTd[22].text ,foundAllTd[28].text)

# 插入数据

cursor.execute(sql % data)
connect.commit()
#print('成功插入', cursor.rowcount, '条数据')

#获取高管信息，已失效，对代码运行没有影响
def get_gg_info(soup):
ggpersons = soup.find_all(attrs={"event-name": "company-detail-staff"})
ggnames = soup.select('table.staff-table > tbody > tr > td.ng-scope > span.ng-binding')
# print(len(gg))
for i in range(len(ggpersons)):
ggperson = ggpersons[i].text
ggname = ggnames[i].text
print (ggperson+" "+ggname)
#获取信息，已失效，对代码运行没有影响
def get_gd_info(soup):
tzfs = soup.find_all(attrs={"event-name": "company-detail-investment"})
for i in range(len(tzfs)):
tzf_split = tzfs[i].text.replace("\n","").split()
tzf = ' '.join(tzf_split)
print (tzf)
#获取信息，已失效，对代码运行没有影响
def get_tz_info(soup):
btzs = soup.select('a.query_name')
for i in range(len(btzs)):
btz_name = btzs[i].select('span')[0].text
print (btz_name)

#在首页获取行业链接
def get_industry(soup):
# print(soup.find(attrs={'class':'industry_container js-industry-container'}))
#hangye = soup.find(attrs={'class':'industry_container js-industry-container'}).find_all("a")
x=[]
buyao=70 #开始爬数据时删掉
hangye = soup.find_all('a')
for item in hangye:
if 'https://www.tianyancha.com/search/oc' in str(item.get("href")):
print (item.get("href"))
if buyao>0:
buyao-=1
else:
x.append(str(item.get("href")))
print("行业数")
print(len(x))
return x;

#获取行业下公司链接
def get_industry_company(soup):
y=[]
companylist = soup.find_all('a')
for item in companylist:
if 'https://www.tianyancha.com/company/' in str(item.get("href")):
print (item.get("href"))
y.append(str(item.get("href")))
return y

if __name__=='__main__':
cursor = connect.cursor() #连接数据库

companycount=0 #爬取的公司数
instrcount=0 #爬取的行业数，每4个行业换一个代理IP,每个行业爬取第一页20个
theinscount=0 #需要爬取的行业标签数，每4个行业换一个代理IP,每个行业爬取第一页20个

driver = driver_open()
url = "https://www.tianyancha.com/"
soup = get_content(driver, url)
instrlist=get_industry(soup)
theinscount=len(instrlist)
print

for instr in instrlist: #遍历行业链接
instrcount+=1
print(instrcount)
print(instr)
compsoup = get_content(driver, instr)
complist =get_industry_company(comps
a9e2
oup)
for comp in complist: #遍历行业下公司链接
print(comp)
companycount+=1
#print(num)
print("行业数爬了"+str(instrcount))

try:
infosoup = get_content(driver, comp)
print ('----获取基础信息----')
get_basic_info(infosoup,instr)
except:
print('异常跳过', end=' ')

if instrcount%4 == 0 : #每3个行业链接换一个代理IP,防止网页封禁代理IP,
#有时会出问题，代理IP超时之类，遇到此类情况关掉程序，或者关掉plantomjs
print("换IP")
#driver.close()#关闭驱动 ,可能会有多个plantomjs窗口，需要常关
driver = driver_open()
#try:
# get_basic_info(soup,instr)
#except:
# print('异常跳过', end=' ')
# print()

cursor.close()
connect.close() #关闭数据库链接代码注释已经打的比较详细，可以直接看。上面的代码爬取结果还需要数据预处理，尤其是天眼查煞笔的数据加密，上面加密的数据有，注册资本，注册时间，营业期限，加密方法贼原始，我遇到的加密是，数字加密方式

密文 明文

7 4
5 8
4 .
3 9
0 1
. 5
9 2
6 0
1 3
8 6
2 7就这么简单，哈哈哈，发现这个时没笑死我。这个解码的操作较为简单，小伙伴自己去操练去吧。有人说，为啥不去爬国家企业信用信息公示系统，原因只有一个，我实在懒得去搞什么滑动验证码，文字点击验证码，看着就烦，（注定无法成为爬虫工程师）需要的伙伴可以看这位老兄的博客，他的说已经失效了，可以借鉴点经验，【爬虫】关于企业信用信息公示系统-加速乐最新反爬虫机制还好天眼查没有验证码，不然建模小伙伴要被我这个辣鸡气死。另外，如果有小伙伴实在不想自己爬数据的，只想要数据的，可以私信找我要，没错我还真的想过去买点数据应付一下建模，不过看到价格，基本就放弃了，看图


代理IP是找的蘑菇代理，就花了6块钱，1000个高匿IP,上面的API好像还剩700个，给你们用吧，，反正我是不想搞爬虫了，有大神搞了个爬取代理IP的点击打开链接。，感觉一句话，做技术只是累，学技术不仅累还难。坑，爬虫坑，填了土。