本帖最后由 wangyeyu2015 于 2019-5-26 10:39 编辑
第五次发帖，位置不对管理帮忙挪挪~ 2019/05/26 10：30修复一个爬取重复数据的小BUG。 话说，这么多收藏就莫得给分的嘛....
今日，无意翻到孤的博客，看到凄惨的回复和热度，本着许久未更新会被取关的原则，我决定，，咳咳，，更新一篇关于Python爬虫的文章。运行如下：
爬到数据如下：
源码如下：
[Python] 纯文本查看 复制代码 #-*- coding-8 -*-
import requests
import lxml
import sys
from bs4 import BeautifulSoup
import xlwt
import time
import urllib
def craw(url,key_word,x):
User_Agent = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:56.0) Gecko/20100101 Firefox/56.0'
# if x == 0:
# re = 'http://www.qichacha.com/search?key='+key_word
# else:
# re = 'https://www.qichacha.com/search?key={}#p:{}&'.format(key_word,x-1)
re = r'https://www.qichacha.com/search?key='+key_word
headers = {
'Host':'www.qichacha.com',
'Connection': 'keep-alive',
'Accept':r'text/html, */*; q=0.01',
'X-Requested-With': 'XMLHttpRequest',
'User-Agent':r'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
'Referer': re,
'Accept-Encoding':'gzip, deflate, br',
'Accept-Language':'zh-CN,zh;q=0.9',
'Cookie':r'xxxxxxxxx这里换成你的cookiexxxxxxxx这里换成你的cookiexxxxxxxxx这里换成你的cookiexxxxxxx',
}
try:
response = requests.get(url,headers = headers)
if response.status_code != 200:
response.encoding = 'utf-8'
print(response.status_code)
print('ERROR')
soup = BeautifulSoup(response.text,'lxml')
except Exception:
print('请求都不让，这企查查是想逆天吗？？？')
try:
com_all_info = soup.find_all(class_='m_srchList')[0].tbody
com_all_info_array = com_all_info.select('tr')
print('开始爬取数据，请勿打开excel')
for i in range(0,len(com_all_info_array)):
# try:
temp_g_name = com_all_info_array[i].select('td')[2].select('.ma_h1')[0].text #获取公司名
temp_g_tag = com_all_info_array[i].select('td')[2].select('.search-tags')[0].text #获取公司标签
temp_r_name = com_all_info_array[i].select('td')[2].select('p')[0].a.text #获取法人名
temp_g_money = com_all_info_array[i].select('td')[2].select('p')[0].select('span')[0].text.strip('注册资本：') #获取注册资本
temp_g_date = com_all_info_array[i].select('td')[2].select('p')[0].select('span')[1].text.strip('成立日期：') #获取公司注册时间
temp_r_email = com_all_info_array[i].select('td')[2].select('p')[1].text.split('\n')[1].strip().strip('邮箱：') #获取法人Email
temp_r_phone = com_all_info_array[i].select('td')[2].select('p')[1].select('.m-l')[0].text.strip('电话：') #获取法人手机号
temp_g_addr = com_all_info_array[i].select('td')[2].select('p')[2].text.strip().strip('地址：') #获取公司地址
temp_g_state = com_all_info_array[i].select('td')[3].select('.nstatus.text-success-lt.m-l-xs')[0].text.strip() #获取公司状态
g_name_list.append(temp_g_name)
g_tag_list.append(temp_g_tag)
r_name_list.append(temp_r_name)
g_money_list.append(temp_g_money)
g_date_list.append(temp_g_date)
r_email_list.append(temp_r_email)
r_phone_list.append(temp_r_phone)
g_addr_list.append(temp_g_addr)
g_state_list.append(temp_g_state)
# except Exception:
# print('错误！')
except Exception:
print('好像被拒绝访问了呢...请稍后再试叭...')
if __name__ == '__main__':
global g_name_list
global g_tag_list
global r_name_list
global g_money_list
global g_date_list
global r_email_list
global r_phone_list
global g_addr_list
global g_state_list
g_name_list=[]
g_tag_list=[]
r_name_list=[]
g_money_list=[]
g_date_list=[]
r_email_list=[]
r_phone_list=[]
g_addr_list=[]
g_state_list=[]
key_word = input('请输入您想搜索的关键词：')
num = int(input('请输入您想检索的次数：'))+1
sleep_time = int(input('请输入每次检索延时的秒数：'))
key_word = urllib.parse.quote(key_word)
print('正在搜索，请稍后')
for x in range(1,num):
url = r'https://www.qichacha.com/search_index?key={}&ajaxflag=1&p={}&'.format(key_word,x)
s1 = craw(url,key_word,x)
time.sleep(sleep_time)
workbook = xlwt.Workbook()
#创建sheet对象，新建sheet
sheet1 = workbook.add_sheet('企查查数据', cell_overwrite_ok=True)
#---设置excel样式---
#初始化样式
style = xlwt.XFStyle()
#创建字体样式
font = xlwt.Font()
font.name = '仿宋'
# font.bold = True #加粗
#设置字体
style.font = font
#使用样式写入数据
print('正在存储数据，请勿打开excel')
#向sheet中写入数据
name_list = ['公司名字','公司标签','法定法人','注册资本','成立日期','法人邮箱','法人电话','公司地址','公司状态']
for cc in range(0,len(name_list)):
sheet1.write(0,cc,name_list[cc],style)
for i in range(0,len(g_name_list)):
print(g_name_list[i])
sheet1.write(i+1,0,g_name_list[i],style)#公司名字
sheet1.write(i+1,1,g_tag_list[i],style)#公司标签
sheet1.write(i+1,2,r_name_list[i],style)#法定法人
sheet1.write(i+1,3,g_money_list[i],style)#注册资本
sheet1.write(i+1,4,g_date_list[i],style)#成立日期
sheet1.write(i+1,5,r_email_list[i],style)#法人邮箱
sheet1.write(i+1,6,r_phone_list[i],style)#法人电话
sheet1.write(i+1,7,g_addr_list[i],style)#公司地址
sheet1.write(i+1,8,g_state_list[i],style)#公司状态
#保存excel文件，有同名的直接覆盖
workbook.save(r"D:\wyy-qcc-"+time.strftime("%Y-%m-%d-%H-%M-%S", time.localtime()) +".xls")
print('保存完毕~')
……..
有啥用？
嘿嘿，有用者自有用，无用者不知也罢。
PS：文件保存在D盘根目录下，以“wyy-qcc-年-月-日-时-分-秒.xls”命名。
PPS：你说老是“好像被拒绝访问了呢…请稍后再试叭…”咋办？
这个东西不适合你，孩子，放弃吧~
PPPS：发现每次只能获取五个的话，请把自己的cookie放到26行那里。
PPPPS:发现大量重复数据之类的，请自行百度“Excel去重”。
PPPPPS：最后一句了…要是觉着有用的话…请关注并收藏此链接…我嘛…刚买了几年服务器….不出意外的话，几年内都在，请关注我…拜托拜托 ~
PPPPPPS：我已经尽量的在注释了，，，还没看明白的，，，请加油提升自己，，，还有，，关注我的博客，，诸位拔刀吧！
PPPPPPPS：修复了一个会爬取重复数据的BUG。 | 
[复制链接]
发表于 2019-5-25 17:56
|
发表于 2019-5-25 19:18
