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 >
国内知名本地生活信息平台3648万商户数据2017年07月份更新
发布时间:2016-01-22 来源:未知 浏览:

数据说明:
国内知名本地生活信息平台(你懂的)全国3648万商户(所有分类)数据2017年07月份更新。
PS:仅商户数据,不含评论列表数据。
 
有图有真相:
 
 
更新说明:

 

  • 删除mall_id字段(网站改版,已无该信息);
  • 删除history字段(网站改版,已无该信息);
  • navigation字段更名为breadcrumb;
  • 修复“家装类”由于模板升级造成的数据不全的问题;
详细字段说明:
  1. “shop_id"(商户ID,唯一、固定不变)
  1. “mall_id"(商户所述商场的shop_id)(网站改版,已无该信息)
  1. “verified"(是否加V)
  1. "is_closed"(是否停业)
  1. "name"(商户名称)
  1. "alias"(别名)
  1. "province"(省)
  1. "real_city"(真实所属城市)
  1. "city"(市)
  1. "city_pinyin"(市拼音)
  1. "city_id"
  1. "area"(区)
  1. "big_cate"(一级分类)
  1. "big_cate_id"
  1. "small_cate"(二级分类)
  1. "small_cate_id"
  1. "address"(地址)
  1. "business_area"(商圈)
  1. "phone"(电话)
  1. "hours"(营业时间)
  1. "avg_price"(均价)
  1. "stars"(星级)
  1. "photos"(图片)
  1. "description"(描述)
  1. "tags"(标签)
  1. "map_type"
  1. "latitude"(纬度, 腾讯地图)
  1. "longitude"(经度, 腾讯地图)
  1. "breadcrumb"(导航栏、面包屑内容)
  1. "traffic"(交通)
  1. "characteristics"(特色)
  1. "product_rating"(口味/产品评分)
  1. "environment_rating"(环境评分)
  1. "service_rating"(服务评分)
  1. "all_remarks"(全部点评数)
  1. “default_remarks"(默认点评数)
  1. "very_good_remarks"(5星数)
  1. "good_remarks"(4星数)
  1. "common_remarks"(3星数)
  1. "bad_remarks"(2星数)
  1. "very_bad_remarks"(1星数)
  1. "recommended_dishes"(推荐菜)
  1. "recommended_products"(推荐产品)
  1. "parking"(停车位信息)
  1. "nearby_shops"(周边商户)
  1. "is_chains"(是否是连锁店)
  1. "take-away"(是否外卖)
  1. "group"(团购信息)
  1. "card"(会员卡)
  1. "latest_comment_date"(最新评论日期)
  1. "history"(历史时间点:加入时间、更新时间、最后评论时间三类信息分号分隔)(网站改版,已无该信息)
  1. "visits_total"(总浏览数)
  1. "visits_month"(本月浏览数)
  1. "visits_week"(本周浏览数)
  1. "num_collected"(收藏人数)
 
示例数据:
  1. 定制示例数据
  • 你可以联系我们在线客服获取你想要的部分示例数据,例如某个城市某个分类的示例数据。也可以查询验证某个条件对应的商户数量。
 
联系客服:
客服QQ:312602670 或 1649677458
客服电话:13389148466 或 13571845363

 
关于本数据的FAQ:
  1. 你们多久更新一次数据?
  • 答:大概6个月更新一次。
  1. 你们完整采集一次需要要花多长时间?
  • 答:一个月左右。我们每次都是全量采集,本次下载页面量超过1.5亿。
  1.  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几百万?
  • 答:网站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。
  1. 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。
  1. 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。由于网站的模板种类很多,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。
  1. 我想增加一个字段,可以吗?
  • 答:抱歉不行,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)。
  1. 数据总量有多大?这么大怎么传给我?
  • 答:ZIP文件约4.3GB左右,解压后CSV文件约21GB左右。通过百度网盘共享(有提取密码)。
  1. 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:
  1. 你们有历史数据吗?
  • 答:有。请联系我们的客服QQ咨询详情。
  1. 你们可以采集其它网站的数据吗?
  • 答:是的,任意公开网站的非隐私数据我们都可以采集,这里有部分我们之前采集的示例数据 >>> 点击进入数据超市。PS:我们不采集任何非法网站(例如,博彩、色情)的数据、也不会采用非法手段窃取后台数据。

 

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。