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>>官方微博

西安鲲之鹏
陕西 西安

加关注

  • 【经验分享】使用Frida脚本强制给okhttp3.OkHttpClient设置代理。
    背景:某些应用使用Proxy.NO_PROXY跳过系统代理设置(例如附图),导致代理模式无法抓到HTTPS流量。

    脚本如下:
    Java.perform(function(){
    // OkHttpClient强制设置代理
    var OkHttpClient = Java.use("okhttp3.OkHttpClient");
    var OkHttpBuilder = Java.use("okhttp3.OkHttpClient$Builder");
    var Proxy = Java.use("java.net.Proxy");
    var ProxyType = Java.use("java.net.Proxy$Type");
    var InetSocketAddress = Java.use("java.net.InetSocketAddress");
    // 要设置的代理
    var proxy = Proxy.$new(ProxyType.SOCKS.value, InetSocketAddress.createUnresolved("IP", int_port));

    OkHttpClient.newBuilder.overload().implementation = function() {
    return OkHttpBuilder.$new();
    }
    OkHttpBuilder.build.overload().implementation = function() {
    console.log('[+] Installing proxy');
    this.proxy(proxy);
    return this.build();
    }
    OkHttpBuilder.proxy.overload("java.net.Proxy").implementation = function(input_proxy) {
    console.log('[+] Changing proxy');
    return this.proxy(proxy);
    }
    });

    function lookup_okhttpclient(){
    // 查看内存中的okhttp3.OkHttpClient实例的代理
    Java.perform(function(){
    Java.choose('okhttp3.OkHttpClient',
    {
    onMatch: function (instance){
    console.log('Found instance: ' + instance + ', Current proxy: ' + instance.proxy());
    },
    onComplete: function ()
    {
    }
    });
    });
    }

    另外,通过调用lookup_okhttpclient()可以动态查看内存中okhttp3.OkHttpClient实例的代理设置情况。
    发布时间:2022-11-09 20:33:36
  • 【经验分享】系统日期不正确可能会导致出现证书错误。
    给Nexus 6P刷机后,发现在浏览器内不管访问什么网站都提示证书错误(如附图1所示),在Termux里更新源也是证书错误(如附图2所示)。折腾了很长时间才发现原来是系统日期设置的不正确,如附图3所示。系统日期异常导致证书未生效过着已过期。 ​​​
    发布时间:2022-11-05 12:17:51
  • 【经验分享】apache mod_proxy实现url转发时如何避免后端域名的DNS缓存

    方法如下示例,加项disablereuse=On配置项即可:
    ProxyPass / http://后端域名/ retry=0 disablereuse=On

    关于disablereuse参数mod_proxy文档(https://httpd.apache.org/docs/2.4/mod/mod_proxy.html)有说明:
    This parameter should be used when you want to force mod_proxy to immediately close a connection to the backend after being used, and thus, disable its persistent connection and pool for that backend. This helps in various situations where a firewall between Apache httpd and the backend server (regardless of protocol) tends to silently drop connections or when backends themselves may be under round- robin DNS. When connection reuse is enabled each backend domain is resolved (with a DNS query) only once per child process and cached for all further connections until the child is recycled. To disable connection reuse, set this property value to On.
    发布时间:2022-11-02 11:14:38
  • 【经验分享】ttyd - Share your terminal over the web
    ttyd是一款能将Linux/Andorid/Windows终端以Web形式展现的命令行工具,用法简单但功能强大。项目主页是:github.com/tsl0922/ttyd。
    releases里有编译好的二进制程序,直接下载系统对应版本即可使用,无需安装。

    用法举例:
    Linux:执行"ttyd login"即可,支持系统账号登录认证。更高级的用法可以参考这里github.com/tsl0922/ttyd/wiki/Example-Usage。效果如附图1所示。
    Andorid:执行"ttyd bash"即可。效果如附图2所示。
    Windows:执行"ttyd cmd"即可。效果如附图3所示。

    在Linux上如何ttyd配置为服务?
    参见:github.com/tsl0922/ttyd/wiki/Systemd-service#systemd-service-on-linux
    发布时间:2022-11-01 21:16:59
  • 【经验分享】推荐一个支持语法高亮的cat命令行工具 - bat
    项目主页是:github.com/sharkdp/bat/,bat支持对大部分编程语言和标记语言提供语法高亮显示。可以作为cat命令的高级替代品。采用Rust语言编写。
    效果如附图所示。 ​​​
    发布时间:2022-10-30 16:01:32
  • 【经验分享】proxychains Windows版
    借助proxychains可以让不支持代理的程序强制走代理,proxychains-windows是其Windows版本,项目主页:github.com/shunf4/proxychains-windows。
    其原理是Hook方式实现:通过劫持connect, WSAConnect, ConnectEx, GetAddrInfoW等函数调用。

    直接从releases里下载编译好的二进制版本,修改配置文件后即可使用。
    配置文件放置于:%USERPROFILE%\.proxychains\proxychains.conf。

    用法示例:
    proxychains curl http://httpbin.org/ip
    proxychains "C:\Program Files\Mozilla Firefox\firefox.exe"
    发布时间:2022-10-29 12:48:45
  • 【经验分享】推荐两个Python实现的adb客户端库

    原理如附图所示,直接通过socket和"adb server"进行交互来实现功能,而非调用adb二进制客户端程序实现。也就是adb.exe的Python实现。
    第一个是:adbutils,项目主页是github.com//openatx/adbutils。
    第二个是:pure-python-adb,项目主页是github.com//Swind/pure-python-adb。

    PS:uiautomator2中使用了adbutils。
    发布时间:2022-10-29 09:11:53
  • 【经验分享】如何adb连接远程的安卓设备?

    方法一:直接远程连接。
    (1)在安卓设备上开启网络ADB(即adb over TCP/IP)。可以使用"ADB Manager"这个APP,如附图1所示。adbd默认监听设备上的5555端口。
    (2)然后通过路由器端口映射或者frp内网穿透,将设备的5555端口暴露出来。
    (3)最后在本地使用“adb connect 远程IP:远程端口”即可连接。
    这个方法的缺点是不安全,任何人都能连接。

    方法二:通过ssh隧道中转连接。
    将安卓设备连接在一台Linux机器上,然后本地通过ssh隧道安全地和设备建立连接。
    首先看一下adb的工作原理,如附图2所示,"adb server"位于主控端(PC),“adbd后台进程”位于安卓设备上。"adb server"和“adbd"通过USB或者TCP通信。"adb server"监听TCP 5037端口,"adb客户端"通过该端口与其进行数据交互:执行命令、获取命令执行结果。
    知道原理后实现起来就不难了:对于"adb客户端"来说,它默认是通过TCP://127.0.0.1:5037来连接"adb server",我们只要把远程的5037端口映射到本地,本地的"adb客户端"就能连接上远程的"adb server"(就和连接本机的"adb server"一样)。

    具体实现思路如下:
    (1)将所有需要访问的安卓设备连接到一台Linux机器上,这台机器可以被远程ssh访问。确保在Linux上"adb devices"能够正常看到设备。
    (2)使用ssh本地端口映射,将Linux机器的5037映射到本地,例如
    ssh -L 5037:127.0.0.1:5037 user@host
    (3)然后在本地执行"adb devices"就能看到和远程Linux上一样的设备列表,如附图3所示。注意:本地的adb版本要和远程Linux上的adb server版本一致,否则会出错。之后的操作就和使用本地的adb连接一样了。
    (4)这种模式下,如何使用scrcpy远程控制设备呢?
    通过上面操作我们已经成功建立了adb远程连接,但是使用scrcpy的时候会发现无法显示出设备图像,提示“connect: No error”错误。这是因为scrcpy在工作的时候需要用到27183端口(scrcpy-server会监听该端口,scrcpy客户端通过这个端口和服务端进行通信),我们还需要将这个端口也从远程映射到本地来(详见scrcpy的官方文档),命令如下:
    ssh -L 27183:127.0.0.1:27183 user@host
    如此scrcpy就能正常工作了,如附图4所示。
    发布时间:2022-10-29 09:05:44
  • 【经验分享】编译Haproxy时加入Lua支持。
    Lua是一种嵌入式编程语言,HAProxy支持通过Lua脚本实现更过强大的功能。按如下步骤操作,可以给Haproxy加入Lua支持。

    (1)先编译Lua。
    从官方下载Lua源码(https://www.lua.org/start.html),进入src目录,make linux即可。将编译生成lua可执行文件lua和luac。记下lua可执行文件所在路径,例如/home/qi/haproxy_backconnect_proxies/lua-5.3.6/src 。
    编译时如果出现"lua.c:82:31: fatal error: readline/readline.h: 没有那个文件或目录"问题,请先安装"sudo apt-get install -y libreadline-dev”(Ubuntu下)。

    (2)编译Haproxy。
    从官方下载源码,编译时加入USE_LUA=1选项,并制定lua可执行文件所在路径,完整如下:
    make TARGET=generic USE_DL=1 USE_CRYPT_H=1 USE_LUA=1 LUA_INC=/home/qi/haproxy_backconnect_proxies/lua-5.3.6/src LUA_LIB=/home/qi/haproxy_backconnect_proxies/lua-5.3.6/src

    另外Lua默认会从/usr/local/share/lua/5.3/下寻找库文件,如果从网上下载的第三方库库例如json.lua,将放置于该目录下。
    发布时间:2022-08-27 13:06:25
  • 【经验分享】如何让Linux系统预留指定端口,防止被自动分配机制拿走(占用)。
    背景:系统上开启了很多网络服务,重启某个业务时经常出现端口被占用的情况。

    解决方法:
    以Ubuntu 16.04为例,编辑 /etc/sysctl.conf,加入如下配置行:
    net.ipv4.ip_local_reserved_ports=6666,7777,8888,9999,54001-54100
    保存,然后执行sudo sysctl -p生效。

    这里的"6666,7777,8888,9999,54001-54100"为预留端口。经过这样设置后,这些端口就不会被系统自动分配给connect()和bind() 端口0的程序。
    发布时间:2022-08-27 10:31:21
当前位置: 首页 > 技术文章 >
基于arcpy实现导出区域内网格中心坐标功能
发布时间:2020-10-12

    在进行数据采集的时候经常会用到基于“周边检索”结果的采集:就是利用平台(网站或APP)提供的"附近"检索功能,搜索"某个位置"周边“X千米”范围内的某类信息(例如POI),然后采集搜索出来的结果。这里的“某个位置”就是搜索圆形区域的圆心(搜索中心点),“X千米”指的是搜索半径。

    这个搜索中心点的选取至关重要。因为如果选的少了会因为区域覆盖不全导致数据遗漏,选的太多(密)了,会增加搜索次数,影响采集效率。所以如何合理的选择搜索中心点很重要。例如,我们在采集"北京市房山区"内POI信息的时候就曾遇到过这样的问题。刚开始我们使用了"行政区、商圈、加油站"这三类信息点的位置作为搜索中心点,采集下来发现有不少遗漏。仔细检查后发现,原因是由于房山区相对比较偏远,这三类信息点比较少,搜索中心点比较少导致有很多地区覆盖不到,从而造成数据缺失。

    一种合理的搜索中心点选取方法:将待采集区域划分成面积想等的若干网格,每个网格的面积由搜索半径确定,然后取网格中心点的坐标作为搜索中心点,这样区域内每个地方都能被覆盖到。

    下面介绍基于arcpy实现上面的思路。arcpy是ArcGIS里包含的一个Python地理数据分析库。在安装完ArcGIS之后就能使用该库了。需要注意的是ArcGIS安装的时候会自带安装一个32位的Python,我们需要使用它自带的这个Python,否则(例如,使用自己安装的64位Python)会找不到arcpy库,或者出现因为和64位版本Python不兼容导致的异常问题。

    第一步,获取待采集行政区的边界坐标。关于行政区的边界坐标获取方法,网上介绍有各种途径,这里推荐一种最简单的方法,使用阿里云datav里的工具,链接是http://datav.aliyun.com/tools/atlas/

    第二步,根据待采集区域的边界坐标,画出该区域范围(多边形)。如下图所示是使用arcpy根据"北京房山区"的边界坐标,绘制出的多边形区域。

北京市房山区的边界

    第三步,根据待采集区域边界上极限(最大最小)坐标,计算出每个网格(正方形)的顶点坐标,画出网格(渔网图)。这里的网格大小根据搜索半径确定,如果搜索半径为2KM,这里网格边长就选用2KM(近似等于0.009 * 2 经度)大小。如下图所示是在“房山区”上画出的网格后的效果。

北京市房山区加网格后效果

第四步,遍历每个网格,判断网格和待采集区域是否相交,如果相交,计算并导出网格中心点的坐标。如下图所示是绘制出相交网格中心点坐标后的效果。

北京市房山区加网格和网格中心点后效果

"北京市房山区"共被拆分为738个"2KM*2KM"的网格,最后导出的网格中心点坐标列表如下所示。

北京市房山区的网格中心点坐标列表截图

上述过程的完整代码如下:

# coding: utf-8
# create_boundary_fishnet_coords.py
# 导出行政区边界内渔网格中心点坐标


import sys
import os
import math
import arcpy


# 网格大小, 经度0.009度相当于1公里
GRID_WIDTH = 0.009 * 2


def create(input_boundary_file):

    # 输出目录
    output_dir = os.path.splitext(os.path.basename(input_boundary_file))[0] + '-output'
    output_dir = os.path.splitext(os.path.basename(input_boundary_file))[0] + '-output'
    if not os.path.exists(output_dir):
        os.mkdir(output_dir)
    
    # 加载边界原始数据
    bounday_file_data = ''
    with open(input_boundary_file, 'rb') as f:
        bounday_file_data = f.read()
    
    # 根据边界点创建行政区多边形面
    bounday_array = arcpy.Array()
    xmin, ymin, xmax, ymax = None, None, None, None
    is_first = True
    for xy in bounday_file_data.split(';'):
        x, _, y = xy.partition(',')
        x = float(x.strip())
        y = float(y.strip())
        if is_first:
            xmin = xmax = x
            ymin = ymax = y
            is_first = False
        else:
            if x > xmax:
                xmax = x
            if x < xmin:
                xmin = x
            if y > ymax:
                ymax = y
            if y < ymin:
                ymin = y
        bounday_array.add(arcpy.Point(x, y))
    # https://pro.arcgis.com/zh-cn/pro-app/arcpy/classes/polygon.htm
    bounday_polygon = arcpy.Polygon(bounday_array)
    # 导出边界多边形的shp文件,用gis软件(e.g. OpenJUMP)查看
    shp_file = '{}/boundary.shp'.format(output_dir)
    arcpy.CopyFeatures_management(bounday_polygon, shp_file)
    print 'Shapefile "{}" is ready.'.format(shp_file)
    
    # 画出渔网图
    # 根据边界坐标经纬度最大和最小值,依次计算出每个网格正方形四个顶点的坐标
    # 计算网格的行列数
    grid_rows_num = int(math.ceil((ymax - ymin)/float(GRID_WIDTH)))
    grid_columns_num = int(math.ceil((xmax - xmin)/float(GRID_WIDTH)))
    # 依次计算各网格(0, 0), (0, 1), (0, 2) ... (grid_rows_num - 1, grid_columns_num-1)四个顶点的坐标
    grids = []
    for r in range(grid_rows_num):
        for c in range(grid_columns_num):
            grid_4coords = arcpy.Array()
            # 左上角坐标
            x_lt = xmin + c * GRID_WIDTH
            y_lt = ymax - r * GRID_WIDTH
            # 右上角坐标
            x_rt = x_lt + GRID_WIDTH
            y_rt = y_lt
            # 左下角坐标
            x_lb = x_lt
            y_lb = y_lt - GRID_WIDTH
            # 右下角坐标
            x_rb = x_rt
            y_rb = y_lb
            #按"左上->右上->右下->左下->左上"顺序画一个封闭四边形,注意顺序不能乱,否则画出来的图形不对(我第一次的时候就画成两个对三角了)
            grid_4coords.add(arcpy.Point(x_lt, y_lt))
            grid_4coords.add(arcpy.Point(x_rt, y_rt))
            grid_4coords.add(arcpy.Point(x_rb, y_rb))
            grid_4coords.add(arcpy.Point(x_lb, y_lb))
            grid_4coords.add(arcpy.Point(x_lt, y_lt))
            # 创建一个网格(四边形)
            grids.append(arcpy.Polygon(grid_4coords))
    # 导出网格的shp文件
    shp_file = '{}/grids.shp'.format(output_dir)
    arcpy.CopyFeatures_management(grids, shp_file)
    print 'Shapefile "{}" is ready.'.format(shp_file)
    
    # 对比每个"网格四边形"和"区域多边形",找到两者"相交"的网格,导出对应的网格中心点坐标
    # 如果 disjoint 返回 False,则两个几何相交,详见 https://pro.arcgis.com/zh-cn/pro-app/arcpy/classes/polygon.htm
    center_points = []
    for grid in grids:
        if bounday_polygon.disjoint(grid) == False:
            # 网格左上角表座
            grid_x_lt = grid.getPart(0)[0].X
            grid_y_lt = grid.getPart(0)[0].Y
            # 计算出网格中心点坐标
            grid_x_center = grid_x_lt + 0.5 * GRID_WIDTH
            grid_y_center = grid_y_lt - 0.5 * GRID_WIDTH
            print (grid_x_center, grid_y_center)
            center_points.append((grid_x_center, grid_y_center))
    # 导出中心点的shp文件
    shp_file = '{}/center_points.shp'.format(output_dir)
    # 导出中心点坐标到csv文件
    csv_file = '{}/center_points.csv'.format(output_dir)
    writer = open(csv_file, 'wb')
    writer.write('"longitude","latitude"\n')
    center_points_geo = []
    for p in center_points:
        center_points_geo.append(arcpy.PointGeometry(arcpy.Point(p[0], p[1])))
        writer.write('"{}","{}"\n'.format(p[0], p[1]))
    writer.close()
    print 'CSV file "{}" for center points is ready.'.format(csv_file)
    # 参考 https://gis.stackexchange.com/questions/16122/creating-shapefile-from-lat-long-values-using-arcpy
    arcpy.CopyFeatures_management(center_points_geo, shp_file)
    print 'Shapefile "{}" is ready.'.format(shp_file)


            
if __name__ == '__main__':
    create('boundary_data/beijing_fangshan_boundary.txt')

附"北京市房山区”的边界坐标(BD09)数据:北京市房山区边界坐标数据下载

另附上一个演示视频,点击这里去腾讯视频观看:https://v.qq.com/x/page/d3163phzye5.html

特别说明:本文旨在技术交流,请勿将涉及的技术用于非法用途,否则一切后果自负。如果您觉得我们侵犯了您的合法权益,请联系我们予以处理。
☹ Disqus被Qiang了,之前所有的评论内容都看不到了。如果您有爬虫相关技术方面的问题,欢迎发到我们的问答平台:http://spider.site-digger.com/