Skip to content
项目
群组
代码片段
帮助
当前项目
正在载入...
登录 / 注册
切换导航面板
Z
zzsn_spider
概览
概览
详情
活动
周期分析
版本库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
统计图
问题
0
议题
0
列表
看板
标记
里程碑
合并请求
1
合并请求
1
CI / CD
CI / CD
流水线
作业
日程表
图表
维基
Wiki
代码片段
代码片段
成员
成员
折叠边栏
关闭边栏
活动
图像
聊天
创建新问题
作业
提交
问题看板
Open sidebar
丁双波
zzsn_spider
Commits
8ddc2b96
提交
8ddc2b96
authored
5月 27, 2024
作者:
XveLingKun
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
采集企业信用代码和标签
上级
67e03a3e
显示空白字符变更
内嵌
并排
正在显示
1 个修改的文件
包含
141 行增加
和
0 行删除
+141
-0
code_tag.py
comData/Tyc/code_tag.py
+141
-0
没有找到文件。
comData/Tyc/code_tag.py
0 → 100644
浏览文件 @
8ddc2b96
"""
采集企业信用代码和企业标签
"""
import
json
import
time
import
requests
import
urllib3
from
bs4
import
BeautifulSoup
from
retry
import
retry
from
getTycId
import
getTycIdByXYDM
from
base
import
BaseCore
from
selenium
import
webdriver
from
classtool
import
Token
,
Info
token
=
Token
()
info
=
Info
()
baseCore
=
BaseCore
.
BaseCore
()
urllib3
.
disable_warnings
(
urllib3
.
exceptions
.
InsecureRequestWarning
)
log
=
baseCore
.
getLogger
()
def
create_driver
():
path
=
r'D:\soft\msedgedriver.exe'
# options = webdriver.EdgeOptions()
options
=
{
"browserName"
:
"MicrosoftEdge"
,
"ms:edgeOptions"
:
{
"extensions"
:
[],
"args"
:
[
"--start-maximized"
]
# 添加最大化窗口运作参数
}
}
session
=
webdriver
.
Edge
(
executable_path
=
path
,
capabilities
=
options
)
return
session
def
login
(
driver
):
cookies
=
{}
cookies_list
,
id_cookie
,
user_name
=
token
.
get_cookies
()
if
cookies_list
:
pass
else
:
log
.
info
(
"没有账号了,等待30分钟"
)
time
.
sleep
(
30
*
60
)
return
''
,
''
,
''
log
.
info
(
f
'=====当前使用的是{user_name}的cookie======'
)
for
cookie
in
cookies_list
:
driver
.
add_cookie
(
cookie
)
time
.
sleep
(
3
)
driver
.
refresh
()
# time.sleep(3)
for
cookie
in
cookies_list
:
cookies
[
cookie
[
'name'
]]
=
cookie
[
'value'
]
s
=
requests
.
Session
()
s
.
cookies
.
update
(
cookies
)
time
.
sleep
(
3
)
return
driver
,
id_cookie
,
s
@retry
(
tries
=
3
,
delay
=
1
)
def
get_html
(
tycid
,
driver
,
dic_info
):
url
=
f
"https://www.tianyancha.com/company/{tycid}"
driver
.
get
(
url
=
url
)
time
.
sleep
(
3
)
page_source
=
driver
.
page_source
soup
=
BeautifulSoup
(
page_source
,
'html.parser'
)
script
=
soup
.
find
(
'script'
,
attrs
=
{
'id'
:
'__NEXT_DATA__'
})
.
text
script
=
json
.
loads
(
script
)
script
=
script
[
'props'
][
'pageProps'
][
'dehydratedState'
][
'queries'
][
0
][
'state'
][
'data'
][
'data'
][
'tagListV2'
]
tag_list
=
[]
filter_list
=
[
'存续'
,
'曾用名'
,
'竞争风险'
,
'司法案件'
,
'合作风险'
,
'股权出质'
,
'仍注册'
]
for
tag
in
script
:
if
tag
[
'title'
]
in
filter_list
:
continue
if
tag
[
'color'
]
==
'#FF463C'
:
continue
tag_list
.
append
(
tag
[
'title'
])
dic_info
[
'股东企业标签'
]
=
tag_list
return
dic_info
if
__name__
==
"__main__"
:
driver
=
create_driver
()
url
=
'https://www.tianyancha.com/'
driver
.
get
(
url
)
driver
.
maximize_window
()
while
True
:
item
=
baseCore
.
redicPullData
(
'shareHolderInfo'
)
driver
,
id_cookie
,
s
=
login
(
driver
)
if
id_cookie
:
pass
else
:
continue
com_name
=
item
.
split
(
'|'
)[
1
]
# com_name = '杭州君瀚股权投资合伙企业(有限合伙)'
no
=
item
.
split
(
'|'
)[
0
]
# no = '3'
xydm
=
''
tycid
=
''
dic_info
=
{}
# time.sleep(3)
try
:
retData
=
getTycIdByXYDM
(
com_name
,
s
)
except
:
retData
=
{}
log
.
info
(
'获取天眼查ID失败'
)
if
retData
:
log
.
info
(
f
'retData: {retData}'
)
if
retData
[
'state'
]:
tycid
=
retData
[
'tycData'
][
'id'
]
xydm
=
retData
[
'tycData'
][
'taxCode'
]
else
:
token
.
updateTokeen
(
id_cookie
,
3
)
log
.
info
(
f
'{com_name} 重新放入redis'
)
baseCore
.
rePutIntoR
(
'shareHorder'
,
item
)
continue
if
xydm
:
pass
else
:
log
.
info
(
'未找到该企业,或该企业没有信用代码'
)
dic_info
[
'股东企业信用代码'
]
=
xydm
dic_result
=
get_html
(
tycid
,
driver
,
dic_info
)
# 存储数据库
info
.
update_info
(
no
,
dic_result
)
token
.
updateTokeen
(
id_cookie
,
3
)
log
.
info
(
f
'{xydm}---{com_name}---更新完成'
)
time
.
sleep
(
1
)
else
:
token
.
updateTokeen
(
id_cookie
,
3
)
log
.
info
(
f
'{com_name} 重新放入redis'
)
baseCore
.
rePutIntoR
(
'shareHorder'
,
item
)
# break
\ No newline at end of file
编写
预览
Markdown
格式
0%
重试
或
添加新文件
添加附件
取消
您添加了
0
人
到此讨论。请谨慎行事。
请先完成此评论的编辑!
取消
请
注册
或者
登录
后发表评论