读书笔记（十）——python简单爬取企查查网企业信息，并以excel格式存储

2019独角兽企业重金招聘Python工程师标准>>>

今天这个小爬虫是应朋友，帮忙写的一个简单的爬虫，目的是爬取企查查这个网站的企业信息。

编程最终要的就是搭建编程环境，这里我们的编程环境是：

python3.6
BeautifulSoup模块
lxml模块
requests模块
xlwt模块
geany

首先分析需求网页的信息：

http://www.qichacha.com/search?key=婚庆

可以看到我们想要提取的消息内容有公司的名字，法定代表人，注册资本，成立时间，电话，邮箱，地址。好的，接下来我们打开firebug,查看各个内容在网页中的具体位置：

可以看到这些消息分别位于：

#公司名字------<a class="ma_h1" href="/firm_8c640ea3b396783ab4e013ea5f7f295e.html" target="_blank">
#               昆明嘉馨
#               <em>
#               有限公司
#               </a>
#法定代表人----<p class="m-t-xs">
#                 法定代表人：
#                 <a class="a-blue" href="********">鄢显莉</a>
#注册资本----       <span class="m-l">注册资本：100万</span>
#成立时间----       <span class="m-l">成立时间：2002-05-20</span>
#            </p>
#            <p class="m-t-xs">
#联系方式----       电话：13888677871
#公司邮箱----       <span class="m-l">邮箱：-</span>
#            </p>
#公司地址----  <p class="m-t-xs"> 地址：昆明市南屏街88号世纪广场B2幢12楼A+F号 </p>
#            <p></p>

但是有一个巨大的问题摆在我们面前，企查查在点击搜索按钮后，虽然也能呈现部分资料，但是首当其冲的是一个登录页面，在没有登录前，我们实际上通过爬虫访问到的是仅有前五个公司信息+登录窗口的网页

如果我们不处理这个登录页面，那么很抱歉，这次爬取到此结束了。

所以我们必须处理这个问题，首先需要在企查查上注册一个帐号，注册步骤略，一般可以通过

构造请求头，配置cookies
使用selenium
requests.post去递交用户名密码等

selenium模拟真实的浏览器去访问页面，但是其访问速度又慢，还要等加载完成，容易报错，直接放弃。

requests.post方法，这个可能可以，没仔细研究，因为企查查登录涉及三个选项，第一个是手机号，第二个是您的密码，第三个是一个滑块，滑块估计需要构造一个True或者什么东西吧。

第一先想肯定是构造请求头，配置一个cookies。在这里我要说明自己犯的一个错误，User-Agent写成了User_agent，导致我的请求头是错误的，访问得到的是一个被防火墙拦截的网页页面，如下：

#-*- coding-8 -*-
import requests
import lxml
from bs4 import BeautifulSoupdef craw(url):user_agent = 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:55.0) Gecko/20100101 Firefox/55.0'headers = {'User-Agent':user_agent,}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')print(soup)
if __name__ == '__main__':url = r'http://www.qichacha.com/search?key=%E5%A9%9A%E5%BA%86's1 = craw(url)

代码仅仅是输出soup，方便调试，请求状态是一个405错误，得到的页面如下：

<!DOCTYPE html>
<html lang="zh-cn">
<head>
<meta charset="utf-8"/>
<meta content="IE=edge,chrome=1" http-equiv="X-UA-Compatible"/>
<meta content="a3c0e" name="data-spm"/>
<title>405</title>
<style>html, body, div, a, h2, p { margin: 0; padding: 0; font-family: 微软
雅黑; }a { text-decoration: none; color: #3b6ea3;  }.container { width: 1000px; margin: auto; color: #696969; }.header { padding: 50px 0; }.header .message { height: 36px; padding-left: 120px; background: ur
l(https://errors.aliyun.com/images/TB1TpamHpXXXXaJXXXXeB7nYVXX-104-162.png) no-r
epeat 0 -128px; line-height: 36px; }.main { padding: 50px 0; background: #f4f5f7; }.main img { position: relative; left: 120px; }.footer { margin-top: 30px; text-align: right; }.footer a { padding: 8px 30px; border-radius: 10px; border: 1px soli
d #4babec; }.footer a:hover { opacity: .8; }.alert-shadow { display: none; position: absolute; top: 0; left: 0;
width: 100%; height: 100%; background: #999; opacity: .5; }.alert { display: none; position: absolute; top: 200px; left: 50%; w
idth: 600px; margin-left: -300px; padding-bottom: 25px; border: 1px solid #ddd;
box-shadow: 0 2px 2px 1px rgba(0, 0, 0, .1); background: #fff; font-size: 14px;
color: #696969; }.alert h2 {  margin: 0 2px; padding: 10px 15px 5px 15px; font-size:
14px; font-weight: normal; border-bottom: 1px solid #ddd; }.alert a { display: block; position: absolute; right: 10px; top: 8px
; width: 30px; height: 20px; text-align: center; }.alert p {  padding: 20px 15px; }</style>
</head>
<body data-spm="7663354">
<div data-spm="1998410538">
<div class="header">
<div class="container">
<div class="message">很抱歉，由于您访问的URL有可能对网站造成安全威胁，您的访问被
阻断。</div>
</div>
</div>
<div class="main">
<div class="container">
<img src="https://errors.aliyun.com/images/TB15QGaHpXXXXXOaXXXXia39XXX-660-117.p
ng"/>
</div>
</div>
<div class="footer">
<div class="container">
<a data-spm-click="gostr=/waf.123.123;locaid=d001;" href="javascript:;" id="repo
rt" target="_blank">误报反馈</a>
</div>
</div>
</div>
<div class="alert-shadow" id="alertShadow"></div>
<div class="alert" id="alertContainer">
<h2>提示：<a href="javascript:;" id="closeAlert" title="关闭">X</a></h2>
<p>感谢您的反馈，应用防火墙会尽快进行分析和确认。</p>
</div>
<script>function show() {var g = function(ele) { return document.getElementById(ele); };var reportHandle = g('report');var alertShadow = g('alertShadow');var alertContainer = g('alertContainer');var closeAlert = g('closeAlert');var own = {};own.report = function() {// SPMown.alert();};own.alert = function() {alertShadow.style.display = 'block';alertContainer.style.display = 'block';};own.close = function() {alertShadow.style.display = 'none';alertContainer.style.display = 'none';};};</script>
<script charset="utf-8" src="https://errors.aliyun.com/error.js?s=3" type="text/
javascript"></script>
</body>
</html>

这个错误也说明了请求头的重要性，这一般是服务器根据你的请求头来简单判断你是一个攻击者、爬虫，还是一个正常访问的人。所以干脆直接把请求头整个复制下来。

这边还有一点要注意，就是你使用的浏览器需打开COOKIES功能，而且关闭浏览器的时候不能自动或守清除cookies，否则都会导致只能得到前五个公司的信息，剩下的还是登陆消息。

直接上代码，一点点的记录：

#-*- coding-8 -*-
import requests
import lxml
from bs4 import BeautifulSoup
import xlwtdef craw(url):user_agent = 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:55.0) Gecko/20100101 Firefox/55.0'headers = {
'Host':'www.qichacha.com',
'User-Agent':r'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:55.0) Gecko/20100101 Firefox/55.0',
'Accept':'*/*',
'Accept-Language':'zh-CN,zh;q=0.8,en-US;q=0.5,en;q=0.3',
'Accept-Encoding':'gzip, deflate',
'Referer':'http://www.qichacha.com/',
'Cookie':r'UM_distinctid***************',
'Connection':'keep-alive',
'If-Modified-Since':'Wed, 30 **********',
'If-None-Match':'"59*******"',
'Cache-Control':'max-age=0',}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')#print(soup)com_names = soup.find_all(class_='ma_h1')#print(com_names)#com_name1 = com_names[1].get_text()#print(com_name1)peo_names = soup.find_all(class_='a-blue')#print(peo_names)peo_phones = soup.find_all(class_='m-t-xs')#tags = peo_phones[4].find(text = True).strip()#print(tags)#tttt = peo_phones[0].contents[5].get_text()#print (tttt)#else_comtent = peo_phones[0].find(class_='m-l')#print(else_comtent)global com_name_listglobal peo_name_listglobal peo_phone_listglobal com_place_listglobal zhuceziben_listglobal chenglishijian_listprint('开始爬取数据，请勿打开excel')for i in range(0,len(com_names)):n = 1+3*im = i+2*(i+1)peo_phone = peo_phones[n].find(text = True).strip()com_place = peo_phones[m].find(text = True).strip()zhuceziben = peo_phones[3*i].find(class_='m-l').get_text()chenglishijian = peo_phones[3*i].contents[5].get_text()peo_phone_list.append(peo_phone)com_place_list.append(com_place)   zhuceziben_list.append(zhuceziben)chenglishijian_list.append(chenglishijian)for com_name,peo_name in zip(com_names,peo_names):com_name = com_name.get_text()peo_name = peo_name.get_text()com_name_list.append(com_name)peo_name_list.append(peo_name)if __name__ == '__main__':com_name_list = []peo_name_list = []peo_phone_list = []com_place_list = []zhuceziben_list = []chenglishijian_list = []key_word = input('请输入您想搜索的关键词：')print('正在搜索，请稍后')for x in range(1,11):url = r'http://www.qichacha.com/search?key={}#p:{}&'.format(key_word,x)s1 = craw(url)workbook = xlwt.Workbook()#创建sheet对象，新建sheetsheet1 = workbook.add_sheet('xlwt', 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 = 'Times New Roman'font.bold = True #加粗#设置字体style.font = font#使用样式写入数据# sheet.write(0, 1, "xxxxx", style)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','法定代表人','联系方式','注册人资本','成立时间','公司地址']for cc in range(0,len(name_list)):sheet1.write(0,cc,name_list[cc],style)for i in range(0,len(com_name_list)):sheet1.write(i+1,0,com_name_list[i],style)#公司名字sheet1.write(i+1,1,peo_name_list[i],style)#法定代表人sheet1.write(i+1,2,peo_phone_list[i],style)#联系方式sheet1.write(i+1,3,zhuceziben_list[i],style)#注册人资本sheet1.write(i+1,4,chenglishijian_list[i],style)#成立时间sheet1.write(i+1,5,com_place_list[i],style)#公司地址#保存excel文件，有同名的直接覆盖workbook.save(r'F:\work\2017_08_02\xlwt.xls')print('the excel save success')

首先我们引入requests、BeautifulSoup、lxml、xlwt四个模块。

#-*- coding-8 -*-
import requests
import lxml
from bs4 import BeautifulSoup
import xlwt

简要说明一下四个模块：

requests是一个第三方模块，源码位于Github上，它相对于urrllib/httplib更加的人性化，一般推荐使用这个，requests具有多种请求方式。

import requests
r1 = requests.get(r'http://www.baidu.com')
postdata = {'key':'value'}
r2 = requests.post(r'http://www.xxx.com/login',data=postdata)
r3 = requests.put(r'http://www.xxx.com/put',data={'key':'value'})
r4 = requests.delete(r'http://www.xxx.com/delete')
r5 = requests.head(r'http://www.xxx.com/get')
r6 = requests.options(r'http://www.xxx.com/get')

还要说明一点，就是其响应编码：

import requests
r = requests.get(r'http://www.baidu.com')
print(r.content)#返回的是字节形式
print(r.text)#返回的是文本形式
print(r.encoding)#根据HTTP头猜测的网页编码格式，可以直接赋值修改

更多的requests后续找个机会补充。

BeautifulSoup这是一个可以从HTML或XML文件中提取数据的python库，它会把HTML转换成文档树，既然是树形结构，它必有节点概念，便于在爬虫中使用它的查找提取功能，它的这个功能一般有两种方法：一、find、find_all等方法；二、CSS选择器。
lxml模块，这是使用XPath技术查询和处理处理HTML/XML文档的库，只会局部遍历，所以速度会更快，占用的内存开销也会比较小。
xlwt模块，这是一个写成excel的模块，但是它只能重新生成一个excel，也就是说，如果在这个路径下，已经有这个excel了，那么就会直接覆盖掉这个excel，而且这个模块不支持读取。如果需要读取功能的可以用xlrd，而写入功能可以用xlutils模块配合着xlrd模块使用，具体我建议可以看看这篇博客《Python excel读写》

接下来就很简单了，定义函数，构造请求头，requests访问网页，如果请求相应码不是200，则输出对应的相应码以及‘ERROR’，用BeautifulSoup和lxml解析网页，从网页中选出所要的信息，定义6个全局变量列表，搜索到的数据通过列表的方法append加入列表。

def craw(url):user_agent = 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:55.0) Gecko/20100101 Firefox/55.0'headers = {
'Host':'www.qichacha.com',
'User-Agent':r'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:55.0) Gecko/20100101 Firefox/55.0',
'Accept':'*/*',
'Accept-Language':'zh-CN,zh;q=0.8,en-US;q=0.5,en;q=0.3',
'Accept-Encoding':'gzip, deflate',
'Referer':'http://www.qichacha.com/',
'Cookie':r'UM_di**********1',
'Connection':'keep-alive',
'If-Modified-Since':'Wed, *********',
'If-None-Match':'"59****"',
'Cache-Control':'max-age=0',}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')#print(soup)com_names = soup.find_all(class_='ma_h1')#print(com_names)#com_name1 = com_names[1].get_text()#print(com_name1)peo_names = soup.find_all(class_='a-blue')#print(peo_names)peo_phones = soup.find_all(class_='m-t-xs')#tags = peo_phones[4].find(text = True).strip()#print(tags)#tttt = peo_phones[0].contents[5].get_text()#print (tttt)#else_comtent = peo_phones[0].find(class_='m-l')#print(else_comtent)global com_name_listglobal peo_name_listglobal peo_phone_listglobal com_place_listglobal zhuceziben_listglobal chenglishijian_listprint('开始爬取数据，请勿打开excel')for i in range(0,len(com_names)):n = 1+3*im = i+2*(i+1)peo_phone = peo_phones[n].find(text = True).strip()com_place = peo_phones[m].find(text = True).strip()zhuceziben = peo_phones[3*i].find(class_='m-l').get_text()chenglishijian = peo_phones[3*i].contents[5].get_text()peo_phone_list.append(peo_phone)com_place_list.append(com_place)   zhuceziben_list.append(zhuceziben)chenglishijian_list.append(chenglishijian)for com_name,peo_name in zip(com_names,peo_names):com_name = com_name.get_text()peo_name = peo_name.get_text()com_name_list.append(com_name)peo_name_list.append(peo_name)

通过不断的调用函数craw，不断的往list中添加数据，因为企查查非会员只能查看十页的数据，所以我们只需要重复十次即可，这边的range()有一个需要注意的地方，因为一般range都是从0开始循环的，但是网页的第一页就是1（比较网站的url，尤其是第一页的url和第二页的url更容易发现），所以如果我们需要循环十次，那么就需要从1开始，10是最后一次，11是截至，所以需要这么写：rang(1,11)。接下来的就是创建sheet对象，新建sheet，定义sheet的样式，然后通过for循环不断的往excel中存储数据，最后再通过方法save()保存到某个路径下。

if __name__ == '__main__':com_name_list = []peo_name_list = []peo_phone_list = []com_place_list = []zhuceziben_list = []chenglishijian_list = []key_word = input('请输入您想搜索的关键词：')print('正在搜索，请稍后')for x in range(1,11):url = r'http://www.qichacha.com/search?key={}#p:{}&'.format(key_word,x)s1 = craw(url)workbook = xlwt.Workbook()#创建sheet对象，新建sheetsheet1 = workbook.add_sheet('xlwt', 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 = 'Times New Roman'font.bold = True #加粗#设置字体style.font = font#使用样式写入数据# sheet.write(0, 1, "xxxxx", style)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','法定代表人','联系方式','注册人资本','成立时间','公司地址']for cc in range(0,len(name_list)):sheet1.write(0,cc,name_list[cc],style)for i in range(0,len(com_name_list)):sheet1.write(i+1,0,com_name_list[i],style)#公司名字sheet1.write(i+1,1,peo_name_list[i],style)#法定代表人sheet1.write(i+1,2,peo_phone_list[i],style)#联系方式sheet1.write(i+1,3,zhuceziben_list[i],style)#注册人资本sheet1.write(i+1,4,chenglishijian_list[i],style)#成立时间sheet1.write(i+1,5,com_place_list[i],style)#公司地址#保存excel文件，有同名的直接覆盖workbook.save(r'F:\work\2017_08_02\xlwt.xls')print('the excel save success')

代码基本上到这边结束了，爬取效果也还可以。之前只做了个半成品，只处理一页的数据，并没有完善整个功能，后续加了翻页，完善了存储功能。

转载于:https://my.oschina.net/u/3629884/blog/1532275

读书笔记（十）——python简单爬取企查查网企业信息，并以excel格式存储相关推荐

python 爬取企业注册信息_读书笔记（十）——python简单爬取企查查网企业信息，并以excel格式存储...
今天这个小爬虫是应朋友,帮忙写的一个简单的爬虫,目的是爬取企查查这个网站的企业信息. 编程最终要的就是搭建编程环境,这里我们的编程环境是: python3.6 BeautifulSoup模块 lxml ...
python+selenium爬取链家网房源信息并保存至csv
python+selenium爬取链家网房源信息并保存至csv 抓取的信息有:房源', '详细信息', '价格','楼层', '有无电梯 import csv from selenium import ...
西山小菜鸟之Scrapy学习笔记---爬取企查查网公司的裁判文书信息
前言本文接着上文,爬取企查查的公司裁判文书信息.企查查本文中若存在不详细的地方欢迎各位大神网友提问,若有错误的地方,希望大家指正.谢谢!! ? ? 粗略分析点击进入要查询的公司可以进入该公司的 ...
使用python+selenium爬取同城旅游网机票信息
最近使用python+selenium爬取了同城旅游网机票信息相关主要代码如下,通过模拟人为操作,拿下了这个机票列表的html代码,然后就可以使用xpath或者re等方式从中提取需要的字段信息了. ...
python +selenium 爬取淘宝网商品信息
前几天用python爬取豆瓣关于电影<长城>的影评,发现豆瓣的网页是静态的,心中一阵窃喜.以为对于动态网页了解的不是太多.但是主要是用cookie加headers爬取的.效果还不错,爬取了 ...
requests+selenium 爬取企查查网，1000+条数据轻轻松松
对于这个我们就很简答了, 我们需要获取公司的具体链接我们根据如下链接去爬取公司的具体链接: https://blog.csdn.net/qq_44936246/article/details/120 ...
Python 爬虫爬取安智网应用信息
2019独角兽企业重金招聘Python工程师标准>>> 爬取目标网站安卓应用的信息,爬取分类.更新时间.系统要求.下载量以及下载链接等描述信息 http://www.anzhi.co ...
Python爬虫——爬取阳光高考网高校信息
在本次学习中主要爬取的内容如下就简单粗暴直接献上代码吧 import requests import time import json from bs4 import BeautifulSoupde ...
python爬虫 request+lxml爬取黄页88网企业信息
黄页88网: 简称黄页网或者黄页88,是由互联网资深人士创办于2009年11月.是一家整合企业黄页.分类信息以及时下流行的SNS社区三方面优势于一体定位于服务B2B平台的网站.主要帮助企业宣传推广公司 ...

读书笔记（十）——python简单爬取企查查网企业信息，并以excel格式存储

读书笔记（十）——python简单爬取企查查网企业信息，并以excel格式存储相关推荐

最新文章

热门文章