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,可以有效获取互联网任何公开可见信息。
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>>技术文章
-
西安鲲之鹏
发布时间:2018-08-21 10:16:59
【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://t.cn/Rk6GM15
-
西安鲲之鹏
发布时间:2018-08-20 22:27:46
【备忘】mitmproxy v0.18.2 版本Windows & Linux版本下载链接:http://t.cn/RkJXXeD
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;
-
西安鲲之鹏
发布时间:2018-08-20 12:51:50
【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。
-
西安鲲之鹏
发布时间:2018-08-14 21:40:44
【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:http://t.cn/RDB1bBF
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。 -
西安鲲之鹏
发布时间:2018-07-27 10:22:09
-
西安鲲之鹏
发布时间:2018-07-25 16:28:00
【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 >>> http://t.cn/ReZT5y1
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://t.cn/ReZT5yg)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。
-
西安鲲之鹏
发布时间:2018-07-16 14:54:09
-
西安鲲之鹏
发布时间:2018-07-15 21:51:54
【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]: http://t.cn/RgbkYiT
-
西安鲲之鹏
发布时间:2018-07-11 18:21:10
Selenium disable Image loading in different browsers >>> http://t.cn/RdugmXm -
西安鲲之鹏
发布时间:2018-07-11 15:28:47
"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://t.cn/RduZ2RC
-
西安鲲之鹏
发布时间:2018-07-02 11:25:13
-
西安鲲之鹏
发布时间:2018-06-21 18:57:26
【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 >>>http://t.cn/Rrhexmx
-
西安鲲之鹏
发布时间:2018-06-21 10:21:20
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
-
西安鲲之鹏
发布时间:2018-06-05 10:35:15
西安鲲之鹏的官方微博地址是:http://weibo.com/kunzhipeng?is_all=1(点击查看),主要用于分享数据采集相关的经验技巧以及发布公司的最新动态。
为了提高搜索引擎的收录效果,我们采用了数据抓取技术定时将官微上的微博信息同步到网站同名栏目中来。