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】代理服务器出现大量TIME_WAIT怎么破?爬虫客户端用什么库更高效?在本文我们将通过实验给你解答 “与TIME_WAIT相关的一些实验” >>>  http://www.site-digger.com/html/articles/20181109/683.html ​​​​
    发布时间:2018-11-09 16:58:07
  • 【备忘】mitmproxy v0.18.2版本Python script示例  
    归纳了一下公司近期常用的mitmproxy Python script编写示例,通过本示例你将学会在mitmproxy中如何通过外挂Python脚本修改请求和应答数据, >>> http://www.site-digger.com/html/articles/20181109/682.html ​​​​
    发布时间:2018-11-09 16:56:27
  • 【经验分享】自己gcc编译出来的squid可执行程序体积比官方rpm包里的体积大9倍(官方的6MB,自己编译出来的59MB)!使用strip --strip-unneeded file-path 处理之后,体积也变成6MB了!(running strip is a good way to get the size down after you have a binary and the binary is in ELF format. strip just removes debug and unreferenced symbols after the binary has been created.) >>> 参考:http://www.cplusplus.com/forum/unices/123451/
    发布时间:2018-11-07 14:02:55
  • 【干货干货】整整花了2天时间搞的。 iptables DNAT Web流量截取实验 >>> http://www.site-digger.com/html/articles/20181105/681.html ​​​​
    发布时间:2018-11-05 13:09:48
  • 【经验分享-纯干货】SNI导致Python 2.7建立TLS连接出现104错误问题的解决 >>> http://www.site-digger.com/html/articles/20181026/680.html ​​​​
    发布时间:2018-10-26 18:05:14
  • 【经验分享】使用openssl模拟与HTTPS网站的交互 >>> http://www.site-digger.com/html/articles/20181026/679.html ​​​​
    发布时间:2018-10-26 18:01:45
  • 美团外卖北京/上海/广州/杭州/成都五城市商户数据2018年10月份采集更新

    详细字段说明:
    “province” – 省份
    “city” – 城市
    “shop_name” – 店铺名称
    “address” – 店铺地址
    “category” – 大分类
    “third_category” – 小分类
    “phones” – 电话号码
    “score” – 店铺评分
    “min_price” – 起送价
    “month_sales” – 月售
    “shipping_fee” – 配送费
    “per_cost” – 人均消费
    “delivery_time” – 配送时间
    “delivery_tip” – 配送服务信息
    “pic_url” – 店铺图片
    “qualification” – 营业执照
    “shiping_time” – 营业时间
    “lat” – 纬度
    “lng” – 经度
    “comment_num” – 评论数

    >>> http://www.data-shop.net/2018/10/%E7%BE%8E%E5%9B%A2%E5%A4%96%E5%8D%96%E5%8C%97%E4%BA%AC%E4%B8%8A%E6%B5%B7%E5%B9%BF%E5%B7%9E%E6%9D%AD%E5%B7%9E%E6%88%90%E9%83%BD%E4%BA%94%E5%9F%8E%E5%B8%82%E5%95%86%E6%88%B7%E6%95%B0%E6%8D%AE2018/
    发布时间:2018-10-25 17:47:47
  • Selenium+Chrome淘宝正常登录方案演示:
    1. 不做特殊处理情况下,Selenium无法正常登录淘宝,会出验无法完成的验证码;
    2. 经过特殊处理后,成功突破淘宝对Selenium的检测,完美登录成功(连验证码都不会出现)。
    点击链接查看演示视频: >>> http://t.cn/EzdwqSY ​​​​
    发布时间:2018-10-22 16:55:09
  • 【经验分享】如何根据淘宝/天猫的分类ID(categoryId值)获取对应的分类名称?

    (1) 如图1所示,先从商品源码获取"categoryId"参数值,例如1512;
    (2)如图2所示,查表可知对应分类名称为"手机";

    点击这里购买该分类映射表(2018年10月份采集更新):
    http://t.cn/EzwnBs1 ​​​​
    发布时间:2018-10-17 11:46:05
  • FontEditor Online 赞! >>> http://t.cn/RKDTzTV ​​​​
    发布时间:2018-10-11 14:14:20
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。