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】pyautogui出现“SyntaxError: 'return' with argument inside generator”异常(如图所示)的解决:卸载pyscreeze,安装pyscreeze 0.1.19版本即可。

    sudo pip uninstall pyscreeze   
    sudo pip install pyscreeze==0.1.19 ​​​​
    发布时间:2019-03-27 11:51:05
  • 【经验分享】使用 Chrome DevTools Protocol 协议,在Network.responseReceived时调用Network.getResponseBody获取应答正文有时会出现“No resource with given identifier”异常,是什么原因?
    解答:当浏览器接收到HTTP应答头之后Network.responseReceived被调用,但此时HTTP应答正文(ResponseBody)可能还没到位,应当在Network.loadingFinished时再调用Network.getResponseBody。
    发布时间:2019-03-25 16:42:04
  • 【经验分享】使用Fiddler时如何屏蔽Chrome的证书警告:"Your connection is not private"/"您的连接不是私密连接"(如图1所示)?
    启动chrome的时候加上--ignore-certificate-errors命令行参数(如图2所示)即可。
    测试效果如图3所示。 ​​​​
    发布时间:2019-03-21 17:30:46
  • 【经验分享】Ubuntu server下google-chrome启动出现"[5430:5430:0321/124708.367027:ERROR:browser_dm_token_storage_linux.cc(101)] Error: /etc/machine-id contains 0 characters (32 were expected)."问题的解决:

    sudo cp /var/lib/dbus/machine-id /etc/machine-id

    参考:https://unix.stackexchange.com/questions/477180/error-etc-machine-id-contains-32-characters-32-were-expected ​​​​
    发布时间:2019-03-21 12:57:06
  • 【经验分享】requests库使用py2exe打包之后出现"Could not find a suitable TLS CA certificate bundle"问题的解决:
    原因是打包之后按默认路径无法找到cacert.pem文件。将cacert.pem复制到exe同目录下,然后在程序里设置REQUESTS_CA_BUNDLE环境变量,如下:
    os.environ['REQUESTS_CA_BUNDLE'] =  os.path.join(os.path.dirname(sys.argv[0]), 'cacert.pem')
    重新打包,问题消失。

    参考:https://stackoverflow.com/questions/10667960/python-requests-throwing-sslerror
    发布时间:2019-03-20 13:11:35
  • 【经验分享】Ubuntu上添加可信任根证书
    1. 如果是pem格式的根证书,先重命名为 .crt格式,例如( mitmproxy-ca-cert.crt)。
    2. sudo cp  mitmproxy-ca-cert.crt  /usr/local/share/ca-certificates。
    3. sudo update-ca-certificates

    update-ca-certificates命令将PEM格式的根证书内容附加到/etc/ssl/certs/ca-certificates.crt ,而/etc/ssl/certs/ca-certificates.crt 包含了系统自带的各种可信根证书.
    发布时间:2019-03-18 11:03:48
  • 【经验分享】Python urllib2连接HTTPS网站出现“SSL routines:SSL23_GET_SERVER_HELLO:sslv3 alert handshake failure”问题(如图1所示)的解决。从这里github.com/pytorch/pytorch/issues/3193得知,Python2.7.9之前的版本连接某些HTTPS网站会有这个问题,之后的版本没有问题。于是测了下别的服务器上的Python2.7.12版本,果然没有问题(如图2所示)。

    似乎也是跟SNI有关,去年我们曾写过一篇文章《SNI导致Python 2.7建立TLS连接出现104错误问题的解决》 ,也是升级到最新版本的Python之后问题解决,详细过程见这里 :http://t.cn/EZSeTBn

    附:测试连接 https://jobs.51job.com/beijing-hdq/111488127.html?s=01&t=0
    发布时间:2019-03-14 15:41:19
  • 【经验分享】远程GeckoDriver的使用 - 鲲之鹏的技术人员在本文向您介绍如何远程使用GeckoDriver调用多台服务器上的Firefox浏览器进行数据抓取。  >>> http://www.site-digger.com/html/articles/20190313/716.html ​​​​
    发布时间:2019-03-14 15:26:50
  • 【经验分享】PDF表格抽取Python库 Camelot - https://github.com/socialcopsdev/camelot
    Camelot is a Python library that makes it easy for anyone to extract tables from PDF files!

    依赖的库有点多,不过效果超赞!

    实测效果:
    图1为PDF原始文件截图;
    图2为抽取为CSV后截图; ​​​​
    发布时间:2019-02-20 12:00:43
  • 【经验分享】“永辉生活微信小程序”不响应KEYCODE_PAGE_UP(92) 怎么破?
    测试发现可以响应KEYCODE_DPAD_DOWN(20),不过KEYCODE_DPAD_DOWN一次只能滚动很小的幅度。怎么提升效率? 一次发送多个CODE即可。
    例如,一次发送10个KEYCODE_DPAD_DOWN操作:
    adb shell input keyevent 20 20 20 20 20 20 20 20 20 20
    发布时间:2019-02-15 19:14:57
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。

加微信咨询