更多>>关于我们

西安鲲之鹏网络信息技术有限公司从2010年开始专注于Web(网站)数据抓取领域。致力于为广大中国客户提供准确、快捷的数据采集相关服务。我们采用分布式系统架构,日采集网页数千万。我们拥有海量稳定高匿HTTP代理IP地址池,可以有效绕过各种反采集策略。

您只需告诉我们您想抓取的网站是什么,您感兴趣的字段有哪些,你需要的数据是哪种格式,我们将为您做所有的工作,最后把数据(或程序)交付给你。

数据的格式可以是CSV、JSON、XML、ACCESS、SQLITE、MSSQL、MYSQL等等。

更多>>官方微博

西安鲲之鹏
陕西 西安

加关注

  • 【经验分享】如何突破网站对selenium的屏蔽?
    现在已经有部分网站能够识别并屏蔽selenium,鲲之鹏的技术人员通过本文向你介绍:
    (1)网站是如何识别selenium的;
    (2)如何突破网站对selenium的屏蔽;
    满满的干货,点击查看详情 >>. http://www.site-digger.com/html/articles/20180821/653.html ​​​​
    发布时间:2018-08-21 10:16:59
  • 【备忘】mitmproxy v0.18.2 版本Windows & Linux版本下载链接:https://github.com/mitmproxy/mitmproxy/releases/tag/v0.18.2
    PS: 解压二进制可执行文件即可使用,建议放到系统环境变量能找到的地方; ​​​​
    发布时间:2018-08-20 22:27:46
  • 【经验分享】mitmproxy如何指定上游代理?
    使用-U参数,详情如下:
    mitmdump.exe -U http://IP:PORT --upstream-auth USERNAME:PASSWORD
    测试结果如下图所示。
    注意:这里测试的是mitmproxy的0.18.2版本,新版本可能不太一样。 ​​​​
    发布时间:2018-08-20 12:51:50
  • 【经验分享】Slenium + Chrome 忽略证书错误方法

    def start_chrome(proxy):
        """启动Chrome
        """
        options = webdriver.ChromeOptions()
        # 禁止加载图片
        chrome_prefs = {}
        chrome_prefs["profile.default_content_settings"] = {"images": 2}
        chrome_prefs["profile.managed_default_content_settings"] = {"images": 2}
        options.experimental_options["prefs"] = chrome_prefs
        if proxy:
            #
    设置代理
            options.add_extension(get_chrome_proxy_extension(proxy=proxy))
        # 设置UA
        options.add_argument("user-agent=Kunzhipeng v12.3")
        #
    忽略证书警告
        options.add_argument("--ignore-certificate-errors")
        chrome = webdriver.Chrome(chrome_options=options)
        chrome.set_page_load_timeout(30)
        return chrome

    参考:https://stackoverflow.com/questions/42133172/selenium-and-chrome-error-ignore-certificate-errors
    PS: 为什么要忽略证书错误呢? e.g. 用Fiddler的中间人代理访问HTTPS网站时会出现证书错误,无法正常浏览。
    发布时间:2018-08-14 21:40:44
  • 【经验分享】同一账号,在同一IP下,人工浏览器登陆很正常,但是用Selenium(+phantomjs or + chrome)登陆,却提示“安全验证”,怎么破?
    想了一下,人工操作和Selenium操作的区别在于人速度慢,输入账号密码然后点击登陆之间会有延时(操作再快也需要两三秒时间),而Selenium可以瞬间完成这些操作。通过JS可以检测到这个信息(“表单操作时间”)并提交给服务器,服务器如果判断这个表单操作时间过短就判断为机器,然后用“安全验证”拦住你。
    于是果断地给Selenium的表单操作加了几秒延时,问题顺利解决!
    发布时间:2018-07-27 10:22:09
  • 【经验分享】用MongoDB做后端实现的队列MongoQueue测试结果如下:
    (1)插入10w任务耗时约40秒;
    (2)读取10W任务并标记完成,耗时约90秒;

    MongoQueue的源码 >>> ttps://github.com/pengqi/mongoqueue/blob/master/mongoqueue/mongoqueue.py
    测试脚本源码 >>> https://bitbucket.org/snippets/qi/qedzrj

    PS:
    (1)MongoQueue默认没有给集合加索引,测试发现速度特别慢(感觉大概一秒能获取一个任务),加了索引以后速度飞速提升。
    (2)上次测试diskcache.Deque(http://www.grantjenks.com/docs/diskcache/tutorial.html#deque)的结果忘了分享了,顺便对比一下:插入10w任务耗时约200秒,读取10W任务耗时基本一样。
    发布时间:2018-07-25 16:28:00
  • 【经验分享】正则表达式提取效率要比xpath高很多,点击查看对比测试结果  >>> http://www.site-digger.com/html/articles/20180716/652.html ​​​​
    发布时间:2018-07-16 14:54:09
  • 【经验分享】Chrome webdriver修改UA方法:
    options = webdriver.ChromeOptions()
    # 设置UA为“Kunzhipeng v12.3”
    options.add_argument("user-agent=Kunzhipeng v12.3")
    chrome = webdriver.Chrome(chrome_options=options)
    测试效果如附图所示。

    参考文章 [Change user agent for selenium driver]: https://stackoverflow.com/questions/29916054/change-user-agent-for-selenium-driver
    发布时间:2018-07-15 21:51:54
  • Selenium disable Image loading in different browsers >>> http://t.cn/RdugmXm ​​​​
    发布时间:2018-07-11 18:21:10
  • chromedriver 镜像 - ChromeDriver Mirror >>> http://t.cn/RdugQbX ​​​​
    发布时间:2018-07-11 18:20:49
当前位置: 首页 > 技术文章 >
大众点评网全国数据2015年08月份更新(1480万条)
发布时间:2015-09-07 来源:未知 浏览:

数据说明:
大众点评全网数据(324个国内城市,所有分类),本次共采集商户数据超过1480万条(14,860,209条)。2015年8月底更新。

有图有真相:
 大众点评网2015年08月份全国数据统计数

更新说明:
■  采用新的遍历方式,总数据条数有明显增加(和5月份版本相比增加数据条数180万)。
■  增加对“锡林郭勒”和”阿拉善”两城市的采集。
■ 新增default_remarks字段,对应页面上的默认点评数。原all_remarks对应页面上的全部点评数。
■  修复由于大众点评改版造成的部分商户“商圈”字段为空的Bug。
■  修复部分商户“区域”字段有误的Bug,部分商户没有区域信息(例如http://www.dianping.com/shop/4431668)采集到的“区域”为地址。
■  修复了部分分类下由于页面结构不一样导致经纬度提取失败的Bug。
■  “酒店”和“教育培训”类的模版不一样,增加了对这两类商户的处理。
■  增加了对部分商户“关店”标志不一样的情况处理(例如http://www.dianping.com/shop/1584226)。
■  推荐菜recommended_dishes字段增加每道菜的推荐人数信息。

详细字段说明:
“shop_id”(商户ID,唯一、固定不变),“mall_id”(商户所述商场的shop_id),“verified”(是否加V),”is_closed”(是否停业),”name”(商户名称),”alias”(别名),”province”(省),”city”(市),”city_pinyin”(市拼音),”city_id”,”area”(区),”big_cate”(一级分类),”big_cate_id”,”small_cate”(二级分类),”small_cate_id”,”address”(地址),”business_area”(商圈),”phone”(电话),”hours”(营业时间),”avg_price”(均价),”stars”(星级),”photos”(图片),”description”(描述),”tags”(标签),”map_type”,”latitude”(维度),”longitude”(经度),”navigation”(导航),”traffic”(交通),”characteristics”(特色),”product_rating”(口味/产品评分),”environment_rating”(环境评分),”service_rating”(服务评分),”all_remarks”(全部点评数), “default_remarks”(默认点评数),”very_good_remarks”(5星数),”good_remarks”(4星数),”common_remarks”(3星数),”bad_remarks”(2星数),”very_bad_remarks”(1星数),”recommended_dishes”(推荐菜),”recommended_products”(推荐产品),”parking”(停车位信息)”,nearby_shops”(周边商户),”is_chains”(是否是连锁店),”take-away”(是否外卖),”group”(团购信息),”card”(会员卡),”latest_comment_date”(最新评论日期)

在线示例数据:
点击查看大众点评网2015年08月份在线示例数据

数据格式:
CSV(最通用的数据交换格式)或MySQL。

字符编码:
UTF-8。

关于本数据的FAQ:
1. 你们多久更新一次数据?
答:大概3-4个月更新一次。

2. 你们完整采集一次要花多长时间?
答:一个月左右。我们每次都是全量采集,每次下载页面量多达2000万。

3. 你们采集到的数据量为什么这么大,我自己采集为什么只能采集到200多万?
答:大众点评网的列表页有页数限制。我们采用递归子分类和子区域,结合遍历shop_id的方式,最大程度上保证了数据的完整性。

4. 我发现你们的数据缺失了某个店铺,是什么原因造成的?
答:这很正常,在采集开始到采集完成这一个月内又会新增很多的店铺,而这些店铺的数据肯定会漏掉。

5. 我发现了一个Bug,你们能给处理吗?
答:在数据购买半个月内,如果该Bug的影响范围大于10%,我们将立即处理,并免费提供一份处理后的数据。如果该Bug的影响范围小于10%,我们不能立即处理,但会在下一个版本中进行修复。
由于大众点评网的模板种类很多,要兼顾各种特殊情况,我们也在不断的修复数据中存在的历史问题。

6. 我想增加一个字段,可以吗?
答:不行,购买现成的数据不提供任何修改支持。如果你想自定义字段,建议申请定制采集服务(费用会远高于购买现成数据)。

7. 数据总量有多大?这么大怎么传给我?
答:8GB左右。通过百度网盘共享(有提取密码)。

8. 你们能否帮我将数据导入数据库?
答:抱歉,你需要自己完成导入的过程。可以参考我们的导入教程:
SQL文件 -> MySQL http://www.site-digger.com/html/articles/20150921/101.html
CSV -> MySQL http://www.site-digger.com/html/articles/20120525/34.html

点击了解更多>>>

特别说明:该文章为鲲鹏数据原创文章 ,您除了可以发表评论外,还可以转载到别的网站,但是请保留源地址,谢谢!!(尊重他人劳动,我们共同努力)
☹ Disqus被Qiang了,之前的评论内容都没了。如果您有爬虫相关技术方面的问题,欢迎发到我们的问答平台:http://spider.site-digger.com/
QQ在线客服
欢迎咨询,点击这里给我发送消息。
欢迎咨询,点击这里给我发送消息。