【Python】爬取**查公司电话以及地址信息

背景：其实两年前就爬了##查的很多信息，包括电话、地址等基本信息之外，还有公司的股东、专利以及对外投资等信息，但是当时的电脑没备份，代码都没了。这次山东的某个教育机构有偿找我帮爬##查公司电话以及地址信息，所以就重新爬了一下##查。

准备：selenium+PhatomJS或者selenium+Firefox

我这里直接用的后者selenium+Firefox

思路爬取这部分信息的话，代码其实不难，主要包括模拟登陆、获得页面网址以及抓取页面信息。

模拟登陆

网址：https://www.tianyancha.com/login

页面如下：

使用selenium模拟登陆代码：

time.sleep(random.random()+1)
browser.get(loginURL)
time.sleep(random.random()+random.randint(2,3))
browser.find_element_by_css_selector('div.title:nth-child(2)').click()
time.sleep(random.uniform(0.5,1))
phone = browser.find_element_by_css_selector('div.modulein:nth-child(2) > div:nth-child(2) > input:nth-child(1)')
phone.send_keys(zhangHao)
time.sleep(random.uniform(0.4,0.9))
password = browser.find_element_by_css_selector('.input-pwd')
password.send_keys(miMa)
click = browser.find_element_by_css_selector('div.modulein:nth-child(2) > div:nth-child(5)')
click.click()
time.sleep(random.uniform(0.5,1)+10)

登录之后页面：

关键词对应的页面网址：https://www.tianyancha.com/search?key= + key

这里以“滴滴”为例：https://www.tianyancha.com/search?key=滴滴

页面内容如下：

获取公司页面网址

解析滴滴关键词页面HTML，获得每个公司对应得URL。

注意：非会员只能查看前五页的公司信息

代码：

#获取页面数
try:
    pages = soup.find('ul',class_='pagination').find_all('li')[-2].getText().replace('...','')
except:
    pages = 1
finally:
    print('pages:',pages)

def getUid(soup):
    urls = []
    divs = soup.find('div',class_='result-list sv-search-container').find_all('div',class_='search-item sv-search-company')                                                                             
    for div in divs:
        urls.append(div.find('div',class_='header').find('a')['href'])
    return urls

#非会员只能爬前五页
if(int(pages)>5):
    pages = 5

urls = []
for i in range(1,pages+1):
    url = 'https://www.tianyancha.com/search/p' + str(i) + '?key=' + key
    browser.get(url)
    time.sleep(random.uniform(0.6,1)+2)
    soup = BeautifulSoup(browser.page_source,'lxml')
    urls.extend(getUid(soup))

获得企业信息

最后根据企业网页HTML内容，解析获取需要的信息，看页面可以发现这里需要的电话和地址都在最上面就有。

获取这部分内容代码：

#这里为了避免意外每次将结果直接写入Excel文件
try:
    for url in urls:
        path = r'C:\Users\liuliang_i\Desktop\tianYanCha.xlsx'
        try:
            df1 = pd.read_excel(path)
        except:
            df1 = pd.DataFrame(columns=['Company','Phone','Address','Url'])
        browser.get(url)
        time.sleep(random.uniform(0.4,0.8)+1)
        soup = BeautifulSoup(browser.page_source,'lxml')
        company = soup.find('div',class_='header').find('h1',class_='name').getText()
        phone = soup.find('div',class_='in-block sup-ie-company-header-child-1').find_all('span')[1].getText()
        address = soup.find('div',class_='auto-folder').find('div').getText()
        df1.loc[df1.shape[0],'Company'] = company
        df1.loc[df1.shape[0]-1,'Phone'] = phone
        df1.loc[df1.shape[0]-1,'Address'] = address
        df1.loc[df1.shape[0]-1,'Url'] = url
        df1.to_excel(path,index=0)
except :
    pass

最终结果如下所示：