工商信息数据采集思路

最近在一些审计群里，看到有一些小伙伴在问有没有批量查询企业工商信息的，之前讲了很多如何利用Python各种网站数据的文章，那么我们今天再讲讲：如何用Python批量查询企业工商信息。
爬取一个网站的过程并不难，就是简单的爬虫步骤，爬取工商网站的难点在于，这个网站的反技术很强，比企查查、企查猫等网站都要强。爬取速度太快的话，会被系统自动识别为机器人，然后代码运行中断。基本的反爬措施像随机ua，cookie都是必须要做的，随机ua更是越多越好，最重要的反爬措施是代理IP的添加，并且这样的网站一般的代理效果是不行的，必须是高质量的才可以，这个网站我之前试了很多家代理，效果都不行，最近找到一家亿牛云代理访问这个网站效果还可以。接下来就实践看下效果：

Plain Text

#! -*- encoding:utf-8 -*-

    import requests
    import random

    # 要访问的目标页面
    targetUrl = "http://httpbin.org/ip"

    # 要访问的目标HTTPS页面
    # targetUrl = "https://httpbin.org/ip"

    # 代理服务器(产品官网 www.16yun.cn)
    proxyHost = "t.16yun.cn"
    proxyPort = "31111"

    # 代理验证信息
    proxyUser = "username"
    proxyPass = "password"

    proxyMeta = "http://%(user)s:%(pass)s@%(host)s:%(port)s" % {
        "host" : proxyHost,
        "port" : proxyPort,
        "user" : proxyUser,
        "pass" : proxyPass,
    }

    # 设置 http和https访问都是用HTTP代理
    proxies = {
        "http"  : proxyMeta,
        "https" : proxyMeta,
    }


    #  设置IP切换头
    tunnel = random.randint(1,10000)
    headers = {"Proxy-Tunnel": str(tunnel)}



    resp = requests.get(targetUrl, proxies=proxies, headers=headers)

    print resp.status_code
    print resp.text

在我们访问这样反爬很严的网站的时候一定要分析好网站策略，不能盲目的去采集。

若有收获，就点个赞吧