logo

开发者热搜

Python高效爬取天眼查数据：从入门到实践指南

作者：起个名字好难2025.09.18 16:01浏览量：2

简介：本文详细解析如何使用Python技术栈爬取天眼查公开数据，涵盖反爬机制应对、数据解析与存储等核心环节，提供可复用的代码框架与合规使用建议。

一、爬取天眼查的合规性与前提准备

1.1 法律边界与数据合规

天眼查作为企业信息查询平台，其公开数据受《网络安全法》和《数据安全法》约束。在爬取前需明确：仅限爬取公开可访问数据（如企业基础信息、工商变更记录），禁止获取付费会员专属数据或进行高频次请求干扰服务。建议通过平台官方API获取结构化数据，若选择爬虫方式需控制请求频率（建议≤1次/秒）。

1.2 技术环境搭建

推荐使用Python 3.8+环境，核心依赖库包括：

  1. # 基础爬虫库
  2. requests==2.28.1
  3. BeautifulSoup4==4.11.1
  4. # 动态渲染处理
  5. selenium==4.1.0
  6. webdriver-manager==3.5.4
  7. # 数据存储
  8. pymongo==4.1.1  # MongoDB存储
  9. pandas==1.4.2   # 结构化处理

二、天眼查反爬机制解析与应对策略

2.1 常见反爬手段

  • IP限制：单IP每小时请求超过30次触发验证码
  • 行为检测：通过鼠标轨迹、停留时间等识别机器人
  • 数据加密：关键字段采用JSONP或自定义加密协议
  • 参数签名：请求参数包含动态生成的_token字段

2.2 突破方案

2.2.1 动态渲染处理

使用Selenium模拟浏览器行为：

  1. from selenium import webdriver
  2. from selenium.webdriver.chrome.options import Options
  3. from webdriver_manager.chrome import ChromeDriverManager
  5. options = Options()
  6. options.add_argument("--headless")  # 无头模式
  7. options.add_argument("--disable-gpu")
  8. driver = webdriver.Chrome(ChromeDriverManager().install(), options=options)
  10. driver.get("https://www.tianyancha.com/search?key=阿里巴巴")
  11. # 等待动态加载完成
  12. driver.implicitly_wait(10)
  13. html = driver.page_source

2.2.2 请求头伪装

构建合规的请求头：

  1. headers = {
  2.     "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36",
  3.     "Referer": "https://www.tianyancha.com/",
  4.     "X-Requested-With": "XMLHttpRequest"
  5. }

2.2.3 代理IP池管理

建议使用付费代理服务（如亮数据、芝麻代理），配合轮询机制：

  1. import requests
  2. from itertools import cycle
  4. proxies = [
  5.     {"http": "http://101.200.123.45:8080"},
  6.     {"http": "http://102.201.124.46:8081"}
  7. ]
  8. proxy_pool = cycle(proxies)
  10. def get_page(url):
  11.     try:
  12.         proxy = next(proxy_pool)
  13.         response = requests.get(url, headers=headers, proxies=proxy, timeout=10)
  14.         if response.status_code == 200:
  15.             return response.text
  16.         else:
  17.             return None
  18.     except:
  19.         return None

三、核心数据爬取实现

3.1 企业列表页抓取

以搜索”人工智能”企业为例：

  1. def search_companies(keyword, page=1):
  2.     url = f"https://www.tianyancha.com/search?key={keyword}&page={page}"
  3.     html = get_page(url)
  4.     if not html:
  5.         return []
  7.     # 使用正则提取企业ID（示例简化）
  8.     import re
  9.     pattern = r'data-id="(\d+)"'
  10.     company_ids = re.findall(pattern, html)
  11.     return company_ids

3.2 企业详情页解析

使用BeautifulSoup提取关键信息：

  1. from bs4 import BeautifulSoup
  3. def parse_company_detail(company_id):
  4.     url = f"https://www.tianyancha.com/company/{company_id}"
  5.     html = get_page(url)
  6.     if not html:
  7.         return None
  9.     soup = BeautifulSoup(html, 'html.parser')
  11.     # 提取企业名称
  12.     name = soup.find('h1', class_='name').text.strip()
  14.     # 提取法人信息
  15.     legal_person = soup.find('div', class_='legalPersonName').text.strip()
  17.     # 提取注册资本
  18.     reg_capital = soup.find('div', class_='regCapital').text.strip()
  20.     return {
  21.         "name": name,
  22.         "legal_person": legal_person,
  23.         "reg_capital": reg_capital
  24.     }

3.3 工商信息API调用（推荐方案）

天眼查官方提供结构化API，响应示例：

  1. {
  2.     "status": 200,
  3.     "data": {
  4.         "companyName": "阿里巴巴集团",
  5.         "legalPerson": "张勇",
  6.         "regCapital": "5000万美元",
  7.         "establishTime": "1999-09-09"
  8.     }
  9. }

Python调用示例：

  1. import requests
  3. def get_company_api(company_name):
  4.     url = "https://api.tianyancha.com/services/v3/open/search"
  5.     params = {
  6.         "key": company_name,
  7.         "pageSize": 10
  8.     }
  9.     headers = {
  10.         "Authorization": "Bearer YOUR_API_KEY"  # 需申请官方API权限
  11.     }
  12.     response = requests.get(url, headers=headers, params=params)
  13.     return response.json()

四、数据存储与处理

4.1 MongoDB存储方案

  1. from pymongo import MongoClient
  3. client = MongoClient("mongodb://localhost:27017/")
  4. db = client["tianyancha"]
  5. collection = db["companies"]
  7. def save_to_mongo(data):
  8.     if isinstance(data, list):
  9.         collection.insert_many(data)
  10.     else:
  11.         collection.insert_one(data)

4.2 Pandas数据分析

  1. import pandas as pd
  3. # 从MongoDB导出到DataFrame
  4. df = pd.DataFrame(list(collection.find()))
  6. # 注册资本数值化处理
  7. df['reg_capital_num'] = df['reg_capital'].str.extract(r'(\d+\.?\d*)').astype(float)
  9. # 按注册资本排序
  10. top_companies = df.sort_values('reg_capital_num', ascending=False).head(10)

五、进阶优化技巧

5.1 分布式爬虫架构

采用Scrapy+Redis实现分布式：

  1. # scrapy_redis示例配置
  2. REDIS_URL = "redis://localhost:6379/0"
  3. DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
  4. SCHEDULER = "scrapy_redis.scheduler.Scheduler"

5.2 异常处理机制

  1. import time
  2. from random import uniform
  4. def robust_request(url, max_retries=3):
  5.     for attempt in range(max_retries):
  6.         try:
  7.             response = requests.get(url, headers=headers, timeout=15)
  8.             if response.status_code == 200:
  9.                 return response
  10.             elif response.status_code == 429:  # 请求过于频繁
  11.                 time.sleep(uniform(5, 10))
  12.                 continue
  13.         except Exception as e:
  14.             print(f"Attempt {attempt + 1} failed: {str(e)}")
  15.             time.sleep(uniform(2, 5))
  16.     return None

六、合规使用建议

  1. 频率控制：单IP请求间隔≥2秒，日请求量≤1000次
  2. 数据用途：仅限个人研究或内部分析，禁止商业转售
  3. 缓存机制：对已获取数据建立本地缓存，避免重复请求
  4. 异常监控：设置403/502错误报警，及时调整爬取策略

通过上述技术方案，开发者可在合规框架内高效获取天眼查公开数据。实际项目中建议优先使用官方API，对于研究性需求可采用爬虫方案，但需严格遵守robots协议和平台使用条款。

相关文章推荐

发表评论

最热文章

关于作者

  • 被阅读数
  • 被赞数
  • 被收藏数
活动
咨询