前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >如何运用Python的AI爬虫技术,采集比天眼查更完整的数据?我的经验分享

如何运用Python的AI爬虫技术,采集比天眼查更完整的数据?我的经验分享

原创
作者头像
孔雀
修改2020-03-30 17:38:58
2.8K1
修改2020-03-30 17:38:58
举报
文章被收录于专栏:爬虫技术爬虫技术爬虫技术

用Python的AI爬虫技术,采集到比天眼查更完整和更及时的数据,提高python的挖掘性能,其实天眼查、查查查这些网站的数据还是具有延迟性,很多数据还是不够完整,而且很多数据源都是通国各种网站数据采集整合过来的,最近在研究Python的多进程和多线程AI智能引擎技术实现一个全网数据挖掘和分析的引擎,搜索引擎技术就是能够扫描全网,然后收录一些有用的价值,像百度搜索引擎、google搜索引擎,他们就是采用爬虫技术,对全网进行24小时的扫描,然后把各种网站的数据进行采集做快照,基于这种搜索引擎技术,我们如果要爬取比天眼查、查查查更完整的数据,只要在我们搜索引擎里面植入我们自己的代理IP池技术,采用python的多进程技术进对目标网站进行分任务,每个进程负责一个目标网站,然后采用python的多线程技术,每个来负责翻页爬取,每个线程负责10页的翻页,然后再启动守护进程24小时进行全网扫描。下面是我自己写的代码,结果效率和爬取得到的数据结果还是超出满意:

#AI大数据系统-配置参数

ConfigData=[]

ThreadNum=20 #k配置开启线程,开启越多就越快,但是需要看电脑CPU 配置来

#按省份-分任务全完深度挖掘

ConfigData.append({'DataType':'anhui|beijing|chongqing|fujian|gansu|guangdong|

guangxi|guizhou|hebei|heilongjiang|hubei|hunan|jiangsu|jiangxi|

jilin|liaoning|neimenggu|ningxia|qinghai|shandong|shanghai|shanxi|

shanxii|ichuan|tianjin|xinjiang|xizang|yunnan|zhejiang'})

do = Spider()

pageUrls=ConfigData[0]['DataType'].split("|")

BaseConfig = {

'Urls': pageUrls, # 获取任务列表

'ThreadNum': ThreadNum , # 开启进程数量

'Type': 2, # 1 采用多线程模式, 2采用多进程模式

'do': do,

}

lock = multiprocessing.Lock() # 创建进程锁

# 计算任务总量

# 切分N段,每个进程负责一段

taskNUm=len(pageUrls)=

average = math.ceil(taskNUm / (BaseConfig['ThreadNum']))

print('本次总任务数量{}'.format(taskNUm))

for i in range(0, BaseConfig['ThreadNum']):

# time.sleep(2)

pstart = average * i

pend = pstart + average

p = multiprocessing.Process(target=runProcessing, args=(BaseConfig, pstart, pend, i, lock))

print('进程完成结束'.format(p))

p.start()

p.join()

print("进程创建完成,开始采集...")

下面是跑下来得到的数据结构:*(感觉还是不赖的)

{

    "url": "http://www.xxx.com/firm_0a6ca0be1266656b93d03390abf4e40b.html",

    "基本信息": {

        "人员规模:": "-",

        "企业地址:": "温州市鹿城区蒲鞋市街道车站大道733号",

        "公司名": "温州均瑶集团有限公司",

        "公司类型:": "有限责任公司(自然人投资或控股)",

        "地址": "温州市鹿城区蒲鞋市街道车站大道733号",

        "官网": "http://www.juneyao.com",

        "成立日期:": "1995-08-23",

        "所属地区": "浙江省",

        "所属行业": "住宿和餐饮业",

        "曾用名:": "均瑶集团有限公司",

        "核准日期:": "2016-12-30",

        "法定代表人信息": {

            "pl_url": "http://www.xxx.com/pl_p808d5b5f8c083541230a8951a8866aa.html",

            "他关联公司数": "39",

            "姓名": "王均豪"

        },

        "注册号:": "330305000013113",

        "注册资本:": "8850万人民币",

        "登记机关:": "温州市市场监督管理局",

        "登记状态": "存续",

        "纳税人识别号:": "91330300145067169Y",

        "组织机构代码:": "14506716-9",

        "经营状态:": "存续",

        "经营范围:": "住宿服务(限下设分支机构经营)。  对实业项目的投资。",

        "统一社会信用代码:": "91330300145067169Y",

        "联系方式": "0577-88098816",

        "英文名:": "-",

        "营业期限:": "1995-08-23 至 2045-08-22",

        "邮箱": "暂无"

    },

    "主要成员信息": [

        {

            "pl_url": "http://www.xxx.com/pl_p7663e2e7b8bcd23cfa9e1d85eac902a.html",

            "他关联公司数": "15",

            "姓名": "裴学龙",

            "职务": "监事"

        },

        {

            "pl_url": "http://www.xxx.com/pl_p75b867211714a967474c4ac4706e918.html",

            "他关联公司数": "11",

            "姓名": "王瀚",

            "职务": "董事"

        },

        {

            "pl_url": "http://www.xxx.com/pl_pa2912161d6acaed1baea9e26e08e062.html",

            "他关联公司数": "12",

            "姓名": "钱克流",

            "职务": "董事"

        },

        {

            "pl_url": "http://www.xxx.com/pl_pad4f49d512d91e830c1fcf76235e986.html",

            "他关联公司数": "5",

            "姓名": "陈体理",

            "职务": "监事"

        },

        {

            "pl_url": "http://www.xxx.com/pl_p808d5b5f8c083541230a8951a8866aa.html",

            "他关联公司数": "39",

            "姓名": "王均豪",

            "职务": "-"

        },

        {

            "pl_url": "http://www.xxx.com/pl_pc97b89c41134307548eb11de6430258.html",

            "他关联公司数": "23",

            "姓名": "蒋海龙",

            "职务": "监事"

        },

        {

            "pl_url": "http://www.xxx.com/pl_pd1515f7945aecbfe2bdafdf098bc819.html",

            "他关联公司数": "32",

            "姓名": "王均金",

            "职务": "-"

        },

        {

            "pl_url": "http://www.xxx.com/pl_p2a05f8d97284529e0ad9f176a603db8.html",

            "他关联公司数": "14",

            "姓名": "林乃机",

            "职务": "董事"

        }

    ],

    "公司名": "温州均瑶集团有限公司",

    "其他链接": {

        "企业年报": {

            "count": "4",

            "url": "http://www.xxx.com/creport_0a6ca0be1266656b93d03390abf4e40b"

        },

        "对外投资": {

            "count": "12",

            "url": "http://www.xxx.com/cinvestment_0a6ca0be1266656b93d03390abf4e40b"

        },

        "法律诉讼": {

            "count": "0",

            "url": "http://www.xxx.com/clawsuit_0a6ca0be1266656b93d03390abf4e40b"

        },

        "知识产权": {

            "count": "106",

            "url": "http://www.xxx.com/cassets_0a6ca0be1266656b93d03390abf4e40b"

        },

        "经营状况": {

            "count": "7",

            "url": "http://www.xxx.com/crun_0a6ca0be1266656b93d03390abf4e40b"

        }

    },

    "分支机构信息": [

        {

            "company": "温州均瑶集团有限公司均瑶宾馆",

            "url": "http://www.xxx.com/firm_2fd416c499d26a28b934e2c7af7b4c47.html"

        },

        {

            "company": "温州均瑶集团有限公司均瑶宾馆",

            "url": "http://www.xxx.com/firm_2fd416c499d26a28b934e2c7af7b4c47.html"

        },

        {

            "company": "温州均瑶集团有限公司兰州分公司",

            "url": "http://www.xxx.com/firm_cfeba3d00d1cfc9483791d1db6ba9b2b.html"

        },

        {

            "company": "温州均瑶集团有限公司武汉分公司",

            "url": "http://www.xxx.com/firm_7254f781af1c076cfa181050349c75c7.html"

        },

        {

            "company": "温州均瑶集团有限公司杭州分公司",

            "url": "http://www.xxx.com/firm_73a2dc6bc97566f04bb31224ea99b9a2.html"

        },

        {

            "company": "温州均瑶集团有限公司西安分公司",

            "url": "http://www.xxx.com/firm_9112b5ad54de9b2a192351e97a17bfda.html"

        },

        {

            "company": "温州均瑶集团有限公司无锡分公司",

            "url": "http://www.xxx.com/firm_b5522b2f6f333f4fe080184344d68181.html"

        }

    ],

    "变更信息": [

        {

            "变更项目": "历史法定代表人",

            "姓名": "王均金"

        },

        {

            "变更前": "王均豪*,钱克流,王均金,许彪,陈体理,蒋海龙,裴学龙",

            "变更后": "王均豪*,钱克流,王均金,陈体理,蒋海龙,裴学龙,王瀚,林乃机",

            "变更日期": "2016-12-30",

            "变更项目": "高级管理人员备案 带有*标记的为法定代表人",

            "序号": "1"

        },

        {

            "变更前": "原章程",

            "变更后": "2016年6月23日章程修订本",

            "变更日期": "2016-12-30",

            "变更项目": "章程修正案备案",

            "序号": "1"

        },

        {

            "变更前": "注册号:330305000013113组织机构代码证:145067169",

            "变更后": "统一社会信用代码:91330300145067169Y",

            "变更日期": "2016-04-08",

            "变更项目": "换发统一社会信用代码执照",

            "序号": "1"

        },

        {

            "变更前": "一般经营项目:工艺美术品、其他日用品、装饰材料、食品机械设备的销售 机票代理服务。",

            "变更后": "一般经营项目:对实业项目的投资。",

            "变更日期": "2013-08-23",

            "变更项目": "一般经营项目变更",

            "序号": "1"

        },

        {

            "变更前": "许可经营项目:",

            "变更后": "许可经营项目:住宿服务(限下设分支机构经营)。",

            "变更日期": "2012-06-18",

            "变更项目": "许可经营项目变更",

            "序号": "1"

        },

        {

            "变更前": "住所:****号\n                                        邮政编码:325011\n                                        电话:********\n                                        住所:****",

            "变更后": "住所:****号\n                                        邮政编码:325011\n                                        电话:********\n                                        住所:****",

            "变更日期": "2008-11-03",

            "变更项目": "住所(营业场所、地址)变更",

            "序号": "1"

        },

        {

            "变更前": "王均金",

            "变更后": "王均豪*",

            "变更日期": "2005-04-14",

            "变更项目": "法定代表人(负责人、董事长、首席代表)变更 带有*标记的为法定代表人",

            "序号": "1"

        },

        {

            "变更前": "姓名:倪细伦\n                                        证件名称:\n                                        证件号码:********\n                                        性别:男\n                                        职务:董事",

            "变更后": "姓名:裴学龙\n                                        证件名称:\n                                        证件号码:********\n                                        性别:男\n                                        职务:监事",

            "变更日期": "2004-11-22",

            "变更项目": "法定代表人(负责人、董事长、首席代表)变更 带有*标记的为法定代表人",

            "序号": "2"

        },

        {

            "变更前": "均瑶集团有限公司",

            "变更后": "温州均瑶集团有限公司",

            "变更日期": "2004-03-02",

            "变更项目": "名称变更",

            "序号": "1"

        },

        {

            "变更前": "温州市均瑶集团有限公司",

            "变更后": "均瑶集团有限公司",

            "变更日期": "1998-07-22",

            "变更项目": "名称变更",

            "序号": "2"

        },

        {

            "变更前": "经营范围:食品,非酒精饮料,机票代理,塑料制品、塑料包装,工艺品,航空用品,日用百货,五金家电,化工原料(不含危险品),礼品,装璜材料,家具,庆上用品,针织品,服装,游艺活动(须持许可证方可经营)食品机械,餐饮(须持卫生许可证方可经营)。行业代码:1439",

            "变更后": "经营范围:生产销售食品,非酒精饮料,机票代理,塑料制品、塑料包装,工艺品,航空用品,日用百货,五金家电,化工原料(不含危险品),礼品,装璜材料,家具,庆上用品,针织品,服装,游艺活动(须持许可证方可经营)食品机械,餐饮(须持卫生许可证方可经营)。附设分公司经营范围:餐饮、住宿、KTV、歌舞厅、台球、美容美发、电子游戏 保龄球、健美、健美操、运动保健按摩。行业代码:1439",

            "变更日期": "1999-07-01",

            "变更项目": "经营范围(业务范围)变更",

            "序号": "1"

        },

        {

            "变更前": "经营范围:食品,非酒精饮料,机票代理,塑料制品、塑料包装,工艺品,航空用品。行业代码:1439",

            "变更后": "经营范围:食品,非酒精饮料,机票代理,塑料制品、塑料包装,工艺品,航空用品,日用百货,五金家电,化工原料(不含危险品),礼品,装璜材料,家具,庆上用品,针织品,服装,游艺活动(须持许可证方可经营)食品机械,餐饮(须持卫生许可证方可经营)。行业代码:1439",

            "变更日期": "1997-04-29",

            "变更项目": "经营范围(业务范围)变更",

            "序号": "2"

        },

        {

            "变更前": "2050",

            "变更后": "8850",

            "变更日期": "1998-06-01",

            "变更项目": "注册资本(金)变更",

            "序号": "1"

        }

    ],

    "对外投资信息": [

        {

            "url": "http://www.xxx.com/firm_766b85e5c8b26c022f981bdd528fd4e9.html",

            "投资公司": "均瑶集团出租汽车有限公司",

            "持股比例": "90.0%",

            "股东类型": "企业法人",

            "认缴出资日期": "1998-11-03",

            "认缴出资额(万元)": "900"

        },

        {

            "url": "http://www.xxx.com/firm_756f1439563684c178c87bcdc4a7e84e.html",

            "投资公司": "均瑶集团上海有限公司",

            "持股比例": "60.0%",

            "股东类型": "企业法人",

            "认缴出资日期": "-",

            "认缴出资额(万元)": "120"

        },

        {

            "url": "http://www.xxx.com/firm_f62ffa20abdd72a393801d9b75958bdb.html",

            "投资公司": "均瑶集团航空服务有限公司",

            "持股比例": "10.0%",

            "股东类型": "企业法人",

            "认缴出资日期": "-",

            "认缴出资额(万元)": "100"

        },

        {

            "url": "http://www.xxx.com/firm_498d2af5c593b5ca293e46c0f50d97e7.html",

            "投资公司": "均瑶集团乳业股份有限公司",

            "持股比例": "-",

            "股东类型": "企业法人",

            "认缴出资日期": "2010-07-22",

            "认缴出资额(万元)": "-"

        },

        {

            "url": "http://www.xxx.com/firm_fe5ea392f0f4477b90c3eb70be7cb7fc.html",

            "投资公司": "上海均瑶航空投资有限公司",

            "持股比例": "50.0%",

            "股东类型": "企业法人",

            "认缴出资日期": "2002年8月12日",

            "认缴出资额(万元)": "5400"

        },

        {

            "url": "http://www.xxx.com/firm_b52f27fda2943d818c6d2ffbde8b9640.html",

            "投资公司": "温州均瑶商务服务有限公司",

            "持股比例": "20.0%",

            "股东类型": "法人股东",

            "认缴出资日期": "1997-05-23",

            "认缴出资额(万元)": "10 万元"

        },

        {

            "url": "http://www.xxx.com/firm_75d3cea813c7487dc2dc476934f8045d.html",

            "投资公司": "温州瑶住酒店管理有限公司",

            "持股比例": "40.0%",

            "股东类型": "企业法人",

            "认缴出资日期": "-",

            "认缴出资额(万元)": "20"

        },

        {

            "url": "http://www.xxx.com/firm_52c347f6739232f68430a61f349d0e0f.html",

            "投资公司": "温州均瑶物业服务有限公司",

            "持股比例": "100%",

            "股东类型": "企业法人",

            "认缴出资日期": "-",

            "认缴出资额(万元)": "-"

        },

        {

            "url": "http://www.xxx.com/firm_1d75185b284c1bde2663c75e8f7ec65b.html",

            "投资公司": "温州市天龙包机实业有限公司",

            "持股比例": "51.00%",

            "股东类型": "企业法人",

            "认缴出资日期": "1991-12-29",

            "认缴出资额(万元)": "306"

        },

        {

            "url": "http://www.xxx.com/firm_ed495f1f911e0602a215c686b2f44c7a.html",

            "投资公司": "宜昌均瑞房地产开发有限公司",

            "持股比例": "77.00%",

            "股东类型": "企业法人",

            "认缴出资日期": "2012/10/16 0:00:00",

            "认缴出资额(万元)": "7700"

        },

        {

            "url": "http://www.xxx.com/firm_8a82d0cdc7d8b401c3b8c80811dfcb77.html",

            "投资公司": "宜昌均瑶贸易有限公司",

            "持股比例": "100%",

            "股东类型": "企业法人",

            "认缴出资日期": "2025年12月31日",

            "认缴出资额(万元)": "46000"

        },

        {

            "url": "http://www.xxx.com/firm_032731387625750f57f84067e3cfea41.html",

            "投资公司": "深圳市均瑶奶品有限公司",

            "持股比例": "70.0%",

            "股东类型": "法人股东",

            "认缴出资日期": "-",

            "认缴出资额(万元)": "140万元"

        }

    ],

    "股东信息": [

        {

            "pl_url": "http://www.xxx.com/pl_p75b867211714a967474c4ac4706e918.html",

            "他关联公司数": "11",

            "持股比例": "38.500%",

            "股东(发起人)": "王瀚",

            "股东类型": "自然人股东",

            "认缴出资日期": "1997-04-14",

            "认缴出资额(万元)": "3407.25"

        },

        {

            "pl_url": "http://www.xxx.com/pl_pd1515f7945aecbfe2bdafdf098bc819.html",

            "他关联公司数": "32",

            "持股比例": "35.00%",

            "股东(发起人)": "王均金",

            "股东类型": "自然人股东",

            "认缴出资日期": "1998-03-31",

            "认缴出资额(万元)": "3097.5"

        },

        {

            "pl_url": "http://www.xxx.com/pl_p808d5b5f8c083541230a8951a8866aa.html",

            "他关联公司数": "39",

            "持股比例": "25.00%",

            "股东(发起人)": "王均豪",

            "股东类型": "自然人股东",

            "认缴出资日期": "1998-03-31",

            "认缴出资额(万元)": "2212.5"

        },

        {

            "pl_url": "http://www.xxx.com/pl_p68ed1b7c5c7f645c5ac7a1e5dec44dd.html",

            "他关联公司数": "3",

            "持股比例": "0.500%",

            "股东(发起人)": "王超",

            "股东类型": "自然人股东",

            "认缴出资日期": "1997-04-14",

            "认缴出资额(万元)": "44.25"

        },

        {

            "pl_url": "http://www.xxx.com/pl_pe3c8177ddbd2ed2f2080fddb9d9c806.html",

            "他关联公司数": "3",

            "持股比例": "0.500%",

            "股东(发起人)": "王宝弟",

            "股东类型": "自然人股东",

            "认缴出资日期": "1997-04-14",

            "认缴出资额(万元)": "44.25"

        },

        {

            "pl_url": "http://www.xxx.com/pl_p6269be8f67e18ab3bc1403e941d86ba.html",

            "他关联公司数": "5",

            "持股比例": "0.500%",

            "股东(发起人)": "王滢滢",

            "股东类型": "自然人股东",

            "认缴出资日期": "1997-04-14",

            "认缴出资额(万元)": "44.25"

        }

    ]

}

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
ICP备案
在中华人民共和国境内从事互联网信息服务的网站或APP主办者,应当依法履行备案手续。腾讯云为您提供高效便捷的 ICP 备案服务。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档