【mysql数据库】通过python 3.7 爬虫获取企查查公开的企业信息，并记录到数据库

1、爬虫的思路参考这篇博文

https://mp.csdn.net/postedit/83628587

2、数据库保存截图如下

3、python代码如下

#!/usr/bin/python3
#-*- coding: utf-8 -*-

import urllib.request
import re
import pymysql

#记录公司信息的字典，类似C语言的结构体
#字典中的字段包括：company,domain,legal_person,address,email,phone
gCompanyInfo = dict()

#伪装爬虫成浏览器
def spider2browser():
    headers=("User-Agent","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.122 Safari/537.36 SE 2.X MetaSr 1.0")
    opener = urllib.request.build_opener()
    opener.addheaders = [headers]
    urllib.request.install_opener(opener)
#end of spider2browser

#处理企业信息的异常字符，如换行符、空格、查不到等等
def getTargetInfo(result):
    if 0 == len(result):
        return '暂无'
    else:
        info = re.sub(r'\n', "", str(result[0]))  #删除换行符
        info = re.sub(r'
', "", info)  #删除多余标签
        info = re.sub(r' ', "", info) # 删除多余空格
        return info
#end of getTargetInfo()

#根据公司名字获取企业详细信息
def getCompanyInfo(chinaCompany):
    companyInfo = {'company':chinaCompany, 'legal_person':'暂无', 'domain':'暂无', 'address':'暂无'}
    
    #转化为机器可以识别带中文的网址，编码类型为unicode。只转换汉字部分，不能全部网址进行转换
    company=urllib.parse.quote(chinaCompany)
    firstUrl="https://www.qichacha.com/search?key=" + company
    #print("visit web:"+testUrl)

    #获取法人代表的名字
    searchRet=urllib.request.urlopen(firstUrl).read().decode("utf-8", "ignore")
    matchPat='法定代表人.*?>(.*?)'
    bosses = re.compile(matchPat, re.S).findall(searchRet)
    companyInfo['legal_person'] = getTargetInfo(bosses)

    #爬取第一个页面，即搜索企业名字，获得访问企业信息的跳转链接
    matchPat='addSearchIndex.*?href="(.*?)" target="_blank" class="ma_h1"'
    nextUrls =  re.compile(matchPat, re.S).findall(searchRet)
    if 0 == len(nextUrls):
        return companyInfo
    nextUrl =  "https://www.qichacha.com" + str(nextUrls[0])

    #爬取第二个页面，获取公司官网
    searchRet=urllib.request.urlopen(nextUrl).read().decode("utf-8", "ignore")
    matchPat = 'data-delay="500" rel="nofollow">(.*?)