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

  • Selenium disable Image loading in different browsers >>> http://tarunlalwani.com/post/selenium-disable-image-loading-different-browsers/ ​​​​
    发布时间:2018-07-11 18:21:10
  • chromedriver 镜像 - ChromeDriver Mirror >>> http://npm.taobao.org/mirrors/chromedriver/ ​​​​
    发布时间:2018-07-11 18:20:49
  • "全国POI信息数据库" 上线:涵盖美食、休闲娱乐、酒店、丽人等15大分类,覆盖全国350多个城市,数据量超过4700万条 >>> 点击前往:http://www.poilist.cn/ ​​​​
    发布时间:2018-07-11 15:28:47
  • 【最新发布】国内知名本地生活信息平台4794万商户POI数据2018年06月份更新 >>> http://www.site-digger.com/html/articles/20180702/647.html ​​​​
    发布时间:2018-07-02 11:25:13
  • 【CSV转Excel(XLSX格式)脚本分享】
    背景:大多数情况下CSV转Excel可以使用Openoffice或者Excel实现,但是偶尔也会遇到一些BT的情况,比如转换后Excel打开显示文件异常的(如图2所示)。于是乎利用xlsxwriter这个库写了个小脚本,用法如下:
    python csv2xlsx.py path-of-csv-file  file-encoding(default is utf-8)
    运行效果如图1所示。csv2xlsx.py源码链接分享 >>>https://bitbucket.org/snippets/qi/Xerx67
    发布时间:2018-06-21 18:57:26
  • 全国各类POI(美食、休闲娱乐、丽人、酒店、生活服务等等)用户评论数据7.09亿条,更新至2018年6月15日。点击查看示例数据 >>> http://t.cn/Rrv3RpO ​​​​
    发布时间:2018-06-21 10:21:20
  • 【经验分享】如何让Squid Web隧道支持SSH协议?
    默认Web隧道下连接22端口是不被允许的,会返回403错误。
    编辑/etc/squid3/squid.conf,加入如下配置行
    acl SSL_ports port 22
    acl Safe_ports port 22
    然后重启Squid即可。 ​​​​
    发布时间:2018-05-16 11:41:42
  • 当当网有多少图书,你知道吗?>>> http://t.cn/R3h6hiH ​​​​
    发布时间:2018-05-08 13:53:19
  • 【经验分享】Ubuntu下如何识别无线网卡?
    以普联的TL-WDN6200为例,使用的是rtl8812au(https://github.com/else05/rtl8812au这个驱动):
    wget http://t.cn/RuR1DrP
    unzip master.zip
    cd rtl8812au-master
    make
    sudo install
    然后重启系统,运气好的话你就能看到Wifi图标和热点列表了,如下图所示(Ubuntu14.04下亲测)。
    发布时间:2018-05-03 19:10:52
  • 【经验分享】DeleGate跑了3天日志吃了18G硬盘,如何关掉日志呢?
    查文档(ftp://www.delegate.org/pub/DeleGate/Manual.htm#LOGDIR),找到了方法,加上参数LOGFILE=""即可,原文:
    You can stop logging by specifying null file name like LOGFILE="" or PROTOLOG="". ​​​​
    发布时间:2018-04-28 18:08:15
当前位置: 首页 > 技术文章 >
如何采集淘宝(口碑)外卖的数据
发布时间:2017-09-26 来源:未知 浏览:

淘宝外卖(口碑外卖)有App版和H5版两个版本。经验(直觉)告诉我们淘宝的App肯定是有保护措施的(签名机制),那我们就直奔H5版本了。H5版本的入口地址是:https://h5.m.taobao.com/app/waimai/index.html,你需要启动浏览器的手机兼容模式才能在PC浏览器中正常浏览(如何开启?我们之前的文章里有介绍:http://www.site-digger.com/html/articles/20160718/127.html)。
稍微抓包分析就可以看到数据全是Ajax动态加载的,不论是店铺列表页还是店铺详情页。当你尝试去构造这个Ajax请求时,会发现悲剧了。它同样也有一个签名参数sign(如下图所示)。这个值是根据data参数动态计算出来的,经验告诉我们想搞清楚这个算法是不容易的。如果我们不提交这个参数或者提交一个错误的值,服务器会返回错误。
有经验的爬虫工程师立马会想到,那我们就曲线救国吧,使用模拟浏览器,来绕过这个签名机制。但是当你再仔细分析时发现又悲剧了,Ajax动态加载数据后,页面HTML里还是看不到店铺的详细信息(只能看到名称、月销量、起送金额之类的,如下图所示)。
PS:科普一下模拟浏览器的数据抓取方式,顾名思义就是通过程序控制浏览器去抓取数据,最大的优点是可以不关心数据的加载方式(动态加载还是静态页面),能绕过各种加密方式。直接从最终的页面源码(数据加载完成后)中提取想要的字段。(缺点是速度慢,资源开销大)。
 
我去,太狠了吧。Ajax返回的信息里明明有店铺详细的信息(甚至连电话、营业时间、营业执照信息都有啊),可惜动态加载后的页面中找不到(故意的),甚至控制台查看所有JS变量也找不到:dir(window)。我们需要的数据不在页面源码里,传统的模拟浏览器的方式也行不通了。
看来我们只能想办法拦截那个浏览器的Ajax应答,然后从Ajax应答里提取数据了。之前我们曾介绍过可以通过Fiddler + Custom Rules脚本来实现类似的功能(http://www.site-digger.com/html/articles/20170810/137.html),这里我们可以利用类似的方案,让 Custom Rules把捕获到的Ajax应答数据记录下来,然后我们再从里面提取想要的信息。
不过今天要换一种方案(条条大路通罗马)。我们换用SlimerJS(https://slimerjs.org/),它和PhantomJS类似可以用Javascript来驱动它为我们工作。它比PhantomJS优越的地方是它提供一个可以捕获HTTP事件的接口,我们可以利用它的onResourceReceived接口在HTTP应答到达的时候进行捕获。而且它支持多线程。
最后再秀一下抓取过程和最终获取到数据的截图:
 
 
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。