爬虫简介
image
这是一个在未登录的情况下，根据企业名称搜索，爬取企业页面数据的采集程序
注意: 这是一个比较简单的爬虫，基本上只用到了代理，没有用到其他的反反爬技术，不过由于爬取的数据比较多，适合刷解析技能的熟练度，所以高手勿进
代码已经上传到GitHub上，有用还请给个星
python版本：python2.7
编码工具：pycharm
数据存储：mysql
爬虫结构：广度爬虫
爬虫思路：
iamge
- 先获取需要采集信息的公司：
- 从数据库中获取
- 获取字段：etid，etname
- 将获取的数据存储的状态表中
- 从状态表中获取数据，并更新状态表
- 拼接初始URL：
- 将etname和初始url进行拼接，获得初始网址
- 将初始url放到一个列表中，获取HTML的时候如何出错，将出错的url放到另一个列表中，进行循环获取
- 请求解析初始一级页面：
- 验证查询的公司是否正确（？？）
- 获取二级页面url
- 将二级url放到一个列表中，获取HTML的时候如何出错，将出错的url放到另一个列表中，进行循环获取
- 请求解析二级页面：
- 获取的信息待定
- 将公司的信息存储到数据库中：
- 建表
- 存储信息
所建的表：
iamge
- 企业主要信息： et_host_info
- 工商信息： et_busi_info
- 分支机构信息： et_branch_office
- 软件著作权信息： et_container_copyright_info
- 网站备案信息： et_conrainer_icp_info
- 对外投资信息： et_foreign_investment_info
- 融资信息： et_rongzi_info
- 股东信息： et_stareholder_info
- 商标信息： et_trademark_info
- 微信公众号信息：et_wechat_list_info
- 状态表： et_name_status
看一下部分的结果图：
iamge
iamge
iamge
iamge
