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,可以有效绕过各种反采集策略。

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】pyautogui出现“SyntaxError: 'return' with argument inside generator”异常(如图所示)的解决:卸载pyscreeze,安装pyscreeze 0.1.19版本即可。

    sudo pip uninstall pyscreeze   
    sudo pip install pyscreeze==0.1.19 ​​​​
    发布时间:2019-03-27 11:51:05
  • 【经验分享】使用 Chrome DevTools Protocol 协议,在Network.responseReceived时调用Network.getResponseBody获取应答正文有时会出现“No resource with given identifier”异常,是什么原因?
    解答:当浏览器接收到HTTP应答头之后Network.responseReceived被调用,但此时HTTP应答正文(ResponseBody)可能还没到位,应当在Network.loadingFinished时再调用Network.getResponseBody。
    发布时间:2019-03-25 16:42:04
  • 【经验分享】使用Fiddler时如何屏蔽Chrome的证书警告:"Your connection is not private"/"您的连接不是私密连接"(如图1所示)?
    启动chrome的时候加上--ignore-certificate-errors命令行参数(如图2所示)即可。
    测试效果如图3所示。 ​​​​
    发布时间:2019-03-21 17:30:46
  • 【经验分享】Ubuntu server下google-chrome启动出现"[5430:5430:0321/124708.367027:ERROR:browser_dm_token_storage_linux.cc(101)] Error: /etc/machine-id contains 0 characters (32 were expected)."问题的解决:

    sudo cp /var/lib/dbus/machine-id /etc/machine-id

    参考:https://unix.stackexchange.com/questions/477180/error-etc-machine-id-contains-32-characters-32-were-expected ​​​​
    发布时间:2019-03-21 12:57:06
  • 【经验分享】requests库使用py2exe打包之后出现"Could not find a suitable TLS CA certificate bundle"问题的解决:
    原因是打包之后按默认路径无法找到cacert.pem文件。将cacert.pem复制到exe同目录下,然后在程序里设置REQUESTS_CA_BUNDLE环境变量,如下:
    os.environ['REQUESTS_CA_BUNDLE'] =  os.path.join(os.path.dirname(sys.argv[0]), 'cacert.pem')
    重新打包,问题消失。

    参考:https://stackoverflow.com/questions/10667960/python-requests-throwing-sslerror
    发布时间:2019-03-20 13:11:35
  • 【经验分享】Ubuntu上添加可信任根证书
    1. 如果是pem格式的根证书,先重命名为 .crt格式,例如( mitmproxy-ca-cert.crt)。
    2. sudo cp  mitmproxy-ca-cert.crt  /usr/local/share/ca-certificates。
    3. sudo update-ca-certificates

    update-ca-certificates命令将PEM格式的根证书内容附加到/etc/ssl/certs/ca-certificates.crt ,而/etc/ssl/certs/ca-certificates.crt 包含了系统自带的各种可信根证书.
    发布时间:2019-03-18 11:03:48
  • 【经验分享】Python urllib2连接HTTPS网站出现“SSL routines:SSL23_GET_SERVER_HELLO:sslv3 alert handshake failure”问题(如图1所示)的解决。从这里github.com/pytorch/pytorch/issues/3193得知,Python2.7.9之前的版本连接某些HTTPS网站会有这个问题,之后的版本没有问题。于是测了下别的服务器上的Python2.7.12版本,果然没有问题(如图2所示)。

    似乎也是跟SNI有关,去年我们曾写过一篇文章《SNI导致Python 2.7建立TLS连接出现104错误问题的解决》 ,也是升级到最新版本的Python之后问题解决,详细过程见这里 :http://t.cn/EZSeTBn

    附:测试连接 https://jobs.51job.com/beijing-hdq/111488127.html?s=01&t=0
    发布时间:2019-03-14 15:41:19
  • 【经验分享】远程GeckoDriver的使用 - 鲲之鹏的技术人员在本文向您介绍如何远程使用GeckoDriver调用多台服务器上的Firefox浏览器进行数据抓取。  >>> http://www.site-digger.com/html/articles/20190313/716.html ​​​​
    发布时间:2019-03-14 15:26:50
  • 【经验分享】PDF表格抽取Python库 Camelot - https://github.com/socialcopsdev/camelot
    Camelot is a Python library that makes it easy for anyone to extract tables from PDF files!

    依赖的库有点多,不过效果超赞!

    实测效果:
    图1为PDF原始文件截图;
    图2为抽取为CSV后截图; ​​​​
    发布时间:2019-02-20 12:00:43
  • 【经验分享】“永辉生活微信小程序”不响应KEYCODE_PAGE_UP(92) 怎么破?
    测试发现可以响应KEYCODE_DPAD_DOWN(20),不过KEYCODE_DPAD_DOWN一次只能滚动很小的幅度。怎么提升效率? 一次发送多个CODE即可。
    例如,一次发送10个KEYCODE_DPAD_DOWN操作:
    adb shell input keyevent 20 20 20 20 20 20 20 20 20 20
    发布时间:2019-02-15 19:14:57
当前位置: 首页 > 服务项目

Web数据抓取服务介绍

因特网(Internet)是一个巨大的和飞速发展的信息资源,但大多数信息都是以无结构的文本形式存在,使得信息聚合非常困难。 Web数据抓取是一个从目标网页中摘取某些数据形成统一的本地数据库的一个过程,这个过程所需要的不仅仅是网页爬行器(爬虫)与网页解析器(HTML解析器)。一个复杂的数据抽取过程需要应付种种障碍,例如会话识别,HTML表单,客户端脚本,并发连接限制,以及数据整合问题等等。

由于目标网站结构复杂多样,客户需要各异,因此任何数据采集软件都不可能完全满足所有用户的需要。我们针对不同的网站、不同客户的需求定制抓取程序,最终为客户提供完整并且准确的数据或脚本。

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。

海量网页--鲲鹏数据抓取技术--结构化数据

我们服务的内容

我们提供Web数据抓取相关的服务:

  • 网站数据定制采集服务(存储为CSV、JSON、XML、ACCESS、SQLITE、MSSQL、MYSQL等等)
  • 移动App数据定制采集服务(采集App内展示的数据)
  • 定制开发数据采集程序(例如,自动数据导出、表单提交、报表生成等等)
网站定制采集服务,APP定制采集服务,定制开发采集程序

Web数据抓取服务是采集网页数据的最简便方法,别再把时间浪费在人工的复制与粘贴上了。我们用专业、科学、快捷的方法采集到数据后,会进行数据处理,然后存储为您想要的格式。

我们做什么? -- 我们从您的目标网页上抽取需要的数据,然后把原始数据转化成结构化的数据。我们通过专业、科学的方法保证抓取数据的数量和质量。

您得到的是什么? -- 你得到的是完整而准确的数据。数据文件格式可以是CSV、JSON、XML、ACCESS、SQLITE、MSSQL、MySQL等等。

工作的是如何进行的? -- 您需要告诉我们您的目标网站的网址,和您所感兴趣的内容,我们会据此分析网站的结构和数据抓取的复杂度,确定目标网站是否可供挖掘;然后针对性地为抓取静态或动态网页上的数据而设计相应的抓取程序,用来分析网页、下载数据、解析数据、结构化存储等等;最后我们会以您需要的格式交付。

更多常见问题请参阅我们的FAQ页面,点击进入

我们服务的流程

西安鲲之鹏Web数据定制采集服务流程

我们服务的优点

简单: 您不需要使用任何的软件,只需要告诉我们您的目标网站和你感兴趣的内容,就能获取我们为您抓取的数据。

弹性: 您能从任何的网站上获取任何数据,特别是动态网站上的数据。

快捷: 对于一个需要20个人工作日完成的工作,我们能在数小时内完成。因此,您不仅能节省您的时间、精力和金钱,还能让您领先于您的竞争对手。

精确: 抽取结果的每一列都是您所需要的,不多也不少。我们会按照您的要求对数据进行过滤和校验。

低价: 您可以节省无法以金钱来计量的时间和精力,以及数倍于所付费用的人工和设备投入!

QQ在线客服
欢迎咨询,点击这里给我发送消息。
欢迎咨询,点击这里给我发送消息。