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

  • 【分享】大众点评各城市POI数据量统计结果列表
    数据来源:大众点评APP,各城市全分类商户列表;
    更新时间:2020年1月;
    数据总量:共计2459个“城市”,其中一级城市370个,含港澳台。

    大众点评全国全分类在营业POI数据量有多少?
    根据370个一级城市统计结果加总显示有3922万条。

    数据下载地址:
    http://t.cn/A65VyV16
    •  
    发布时间:2021-01-27 13:25:42
  • 【经验分享】使用urllib2时如何防止自定义的header被capitalization。

    例如,程序里写的'x-requested-with',但是发出去的包里却变成了'X-Requested-With'(如附图)。

    解决方法,自定义一个str类的子类,重写title和capitalize方法(如下)。
    class SafeString(str):
        def title(self):
            return self

        def capitalize(self):
            return self

    然后在赋值的时候这样写即可:
    headers[SafeString('x-requested-with')] = 'test'
    PS:这样urllib在调用SafeString('x-requested-with')的title方法时候,就直接原样返回了。
    发布时间:2020-12-17 10:54:32
  • 【经验分享】com.sankuai.meituan.takeoutnew在/sdcard/Android/这里藏有猫腻,如图 ​​​​
    发布时间:2020-11-24 11:23:25
  • 【经验分享】如何通过adb给安卓APP授权?
    背景:自动操作APP时,APP在首次启动(刚安装完或者被pm clear之后)可能会出现授权提示(例如,允许获取当前位置),打断了自动化操作流程,如何实现自动化授权呢?

    在启动APP之前,先通过adb命令给APP授予所需的权限即可,命令如下:
    adb shell pm grant <packageName> android.permission.READ_CONTACTS
    上述命令是给APP授予“读取联系人”的权限,更多的权限列表参见这里:
    https://blog.csdn.net/HardWorkingAnt/article/details/70952583

    经过授权之后,APP启动时就不会再弹出授权提示框了。
    发布时间:2020-11-20 16:35:43
  • 【备忘】curl --help|grep socks
         --socks4 HOST[:PORT]  SOCKS4 proxy on given host + port
         --socks4a HOST[:PORT]  SOCKS4a proxy on given host + port
         --socks5 HOST[:PORT]  SOCKS5 proxy on given host + port
         --socks5-hostname HOST[:PORT]  SOCKS5 proxy, pass host name to proxy(重点)
         --socks5-gssapi-service NAME  SOCKS5 proxy service name for GSS-API
         --socks5-gssapi-nec  Compatibility with NEC SOCKS5 server
    发布时间:2020-11-06 18:02:39
  • 【经验分享】如何"准确"查询一个ip的归属地?
    查询IP归属地最常用的方法是通过类似iplocation.net的工具网站进行查询,但是他们的数据库可能存在错误或者更新不够及时,导致查询结果错误。

    下面举两个例子:
    (1)91.214.188.126这个IP是一台美国服务器的IP,但是iplocation.net确显示为“荷兰(Netherlands)”,如附图1所示。
    (2)89.37.58.254这个IP是一台日本服务器的IP,但是iplocation.net确显示为“罗马尼亚(Romania)”,如附图2所示。

    有什么办法能"准确"查询一个ip的归属地呢? 可以采用路由追踪的方法,查看路由的最后几跳所在的位置。
    (1)例如附图3所示,是对91.214.188.126的路由追踪结果,可以看到数据最终跑到了美国,因此它肯定是一个美国IP。
    (2)再例如附图4所示,是对89.37.58.254的路由追踪结果,可以看到数据跳到了日本,因此它肯定是一个日本IP。

    PS:这个图像化的路由追踪工具叫做Best Trace。
    另外也可以使用这个traceroute这个在线工具>>>http://t.cn/E51F76C
    发布时间:2020-10-22 10:45:42
  • 【逆向分析】CMCC“和助手”APP(2.9)HTTP加密方式分析
    1. 直接抓包会发现“和助手”的请求和应答数据都是加密的。如附图1所示。
    下面来分析下加解密算法,最终目的是实现直接和服务端进行HTTP交互。

    2.APP运行后会释放gatewayClient-2-9目录,里面是HTML和JS文件。通过JS里的关键词得知,“和助手”采用的WADE-MOBILE框架。奇怪的是关于WADE-MOBILE网上的介绍很少,只找到这篇有用的介绍http://www.docin.com/p-2187443660.html,大体了解到这个框架使得安卓APP能够使用HTML+JS实现前端展示,通过JS代码调用安卓API实现业务功能(比如与服务端交互)。

    3. 从common.js中的callSvc(),追踪到mobile-client.js中的Mobile.dataRequest(),继续追踪到wade-mobile.js中的WadeMobile.dataRequest(),继续追踪到 androidExecute(),最后追踪到mobile-core.js中的PluginManager.exec()。JS里通过PluginManager.exec()来实现调用安卓Java代码里的功能。如附图2所示。

    4. 通过PluginManager.exec()调用的函数名,在Java代码中可以寻找到具体的实现。例如"dataRequest",应该是实现后台交互的。在Java代码中找到dataRequest()的实现如附图3所示。

    通过进一步跟踪,在transPostData()中可以看到HTTP参数的封装过程,如附图4所示。
    这里的key是DES的秘钥,发给服务端用于解密客户端数据。data是要发送的数据部分,也被使用MobileSecurity.requestEncrypt()加密了。

    需要注意的是这个key本身也是经过加密的,查看MobileSecurity.getDesKey()代码如附图5所示,这里key的值是经过RSA加密的(公钥位于res\raw\public_key)。另外,这里的key并不是固定的,是在每次MobileSecurity类初始化的时候随机生成的,如附图6所示。
    另外,DESKeySpec(k)时,如果k的长度如果超过8字节,将只取前8字节。

    应答数据的解密是通过MobileSecurity.responseDecrypt()实现的,附图7和8所示。

    梳理一下“和助手”的加解密流程:
    (1)APP每次会生成一个随机的key用于DES加解密。
    (2)HTTP请求时会把key作为一个参数(使用RSA加密后)传递给服务端,同时将其它数据通过DES加密后放到data参数中。
    (3)服务端接收到数据后,先用RSA私钥解密出key的明文,然后根据key再DES解密出data明文。
    (4)服务端将HTTP应答数据也使用该key进行DES加密后回送。
    (5)客户端收到HTTP应答数据后使用该key进行DES解密。

    如附图9所示,是我们对服务端应答数据解密后的一个示例(中文部分显示为乱码)。
    发布时间:2020-10-21 15:07:39
  • 【疑问】Intel的CPU比AMD的CPU对安卓模拟器的支持更好?同一个版本的安卓模拟器、同一个APP、同样的HOOK代码,在Intel下稳定运行,但在客户的AMD下出现各种各样的问题(应用闪退、应用崩溃、桌面卡死)。然后让客户换了一个Intel的环境试了下,没任何问题。 ​​​​
    发布时间:2020-10-20 17:24:47
  • 【经验分享】如何查询一个代理(IP)是机房IP(Datacenter IP)还是家庭IP(Residential IP)?

    这里推荐一个查询网站:IPHub,网址是http://t.cn/A6bOvWpt
    输入待查询的IP,点击“Lookup”按钮。
    1. 如果查询结果Type字段中含有“Residential”字样,则说明是家用IP。如附图1、2所示。
    2.如果查询结果Type中仅含有“Hosting”字样,而无“Residential”字样,则说明是机房IP。如附图3所示。

    顺便说一下,如果你的业务需要使用家庭IP(使用机房IP会被风控),例如做亚马逊测评。可以戳这里购买 >>> http://t.cn/A6bOvWpq
    发布时间:2020-10-16 19:57:48
当前位置: 首页 > 公司微博 >
  • 西安鲲之鹏

    发布时间:2016-12-02 11:01:58
    【EOF occurred in violation of protocol问题解决】Python2.7环境下用urllib2访问一个URL:”
    http://t.cn/aopOIt
    会抛出异常:“urllib2.URLError: <urlopen error [Errno 8] _ssl.c:510: EOF occurred in violation of protocol>”(如下附图)
    原因:“http://t.cn/a81ks4”这个网站使用了TLS 1.0(如下附图),而Python 2.6, 2.7的urllib2默认不支持TLS1.0。
    解决方法:在urllib2建立SSL连接时强制使用PROTOCOL_TLSv1,示例代码 >>> http://t.cn/RfmxGUS

    阅读全文 + 去微博评论 +

  • 西安鲲之鹏

    发布时间:2016-11-18 21:08:51
    【tor测试】(1)速度还可以,在可接受范围内。
    (2)“选择最快”原则导致实际能切换到的IP量很少,测了3天,最多640多个IP。 ​​​​

    阅读全文 + 去微博评论 +

  • 西安鲲之鹏

    发布时间:2016-11-16 10:23:29
    【如何避免使用MySQL缓存?】SELECT的时候加入SQL_NO_CACHE选项即可,例如: SELECT SQL_NO_CACHE id, name FROM customer;
    [1]The MySQL Query Cache:http://t.cn/RftBuFm
    [2]Query Cache SELECT Options: http://t.cn/RftBuFu ​​​​

    阅读全文 + 去微博评论 +

  • 西安鲲之鹏

    发布时间:2016-11-15 14:48:31
    【经验分享】爬虫模拟某系统Ajax请求,Accept头使用爬虫框架默认的“text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8”网站返回数据乱码(如下图示),修改为“application/json, text/javascript, */*; q=0.01”后返回数据正常(如下图示)。 ​​​​

    阅读全文 + 去微博评论 +

  • 西安鲲之鹏

    发布时间:2016-11-13 19:10:15
    【实测】JuiceSSH是安卓平台上远程SSH管理的一个超赞的工具!秒杀我之前试过的ConnectBot。是运维人员居家旅行不可或缺的神器!!!
    PS:本来还考虑买个Win10平板,出门的时候可以用SecureCRT管理服务器,现在完全没必要了。
    附下载地址:http://t.cn/RfbEoeK ​​​​

    阅读全文 + 去微博评论 +

  • 西安鲲之鹏

    发布时间:2016-11-11 08:10:51
    【数据超市】安居客(anjuke.com)全国数据(新房楼盘+二手房小区)2016年11月份数据更新 >>> http://t.cn/RfLDYzj

    二手房小区:
    “城市”,”小区名”,”本月均价”,”价格变动”,”所在版块”,”地址”,”总户数”,”建造年代”,”物业类型”,”物业费用”,”开发商”,”总建面”,”容积率”,”出租率”,”停车位”,”绿化率”,”经度”,”纬度”,”简介”,”URL”

    新房楼盘:
    “城市”,”楼盘名称”,”楼盘单价”,”特色”,”区域位置”,”楼盘地址”,”规划总数”,”工程进度”,”开盘时间”,”交房时间”,”经度”,”纬度”,”URL”

    阅读全文 + 去微博评论 +

  • 西安鲲之鹏

    发布时间:2016-11-07 12:07:38
    企查查是什么时间开始限制列表页最多500也可见的?如图所示。 ​​​​

    阅读全文 + 去微博评论 +

  • 西安鲲之鹏

    发布时间:2016-11-03 21:15:13
    webscraping的Download类默认只支持根据代理IP进行限速,但对于有些需要登录采集的网站,它们除了根据IP限速外往往还会根据会话(Cookie)进行限速,这时使用Download类就很容易被封账号或出验证码。鉴于此,我们增加了throttle_by参数,它有如下三种取值:
    0 - 默认值,根据代理IP限速;
    1 - 根据会话(Cookie)限速;
    2 - 同时根据IP和会话(Cookie)限速;
    PS:webscraping库的原始作者是Richard Penmen,是鲲之鹏的重要合作伙伴,2010年开始鲲之鹏加入维护。

    阅读全文 + 去微博评论 +

  • 西安鲲之鹏

    发布时间:2016-11-02 15:46:05
    这路由器系统是有问题了吗?
    运营商说DHCP租期是48-60小时,可它一个小时重新获取一次IP! ​​​​

    阅读全文 + 去微博评论 +

  • 西安鲲之鹏

    发布时间:2016-10-31 11:31:30
    一不注意将Chrome升级到了最新版本(V54),但是Webdriver不干活儿了“Runtime.executionContextCreated has invalid 'context': ...”。
    升级Chromedriver到2.25版本(Supports Chrome v53-55),问题解决。
    ChromeDriver 2.25 >>> http://t.cn/RV3EOyf ​​​​

    阅读全文 + 去微博评论 +

  • 西安鲲之鹏

    发布时间:2016-10-26 15:53:50
    【adb小试牛刀】第一次使用adb,做个笔记:
    1. 手机启用调试模式,USB连接PC。
    2. 执行adb devices查看已连接设备。注意手机出现的授权提示,点确定!否则设备会显示为"Unauthorized"。
    3. 执行adb shell即可进入设备的shell模式。
    4. 执行su,切换到root权限。前提是你的手机已经root过了(可以使用刷机精灵的一键root功能)。
    5. 开启App全局调试,即使ro.debuggable内存值为1。使用mprop程序实现,网上有详细的介绍。./mprop ro.debuggable 1。使用getprop  ro.debuggable判断修改是否成功。
    6. 执行stop;start重启adbd进程,更新连接信息。
    7. 退出shell。执行adb jdwp即可看到可以调试的进程ID。所有进程都变得可以调试了。也可 以使用Android Device Monitor查看对应的进程名称和ID。LogCat显示出App输出的调试日志。
    参考文章:
    [1]http://t.cn/8kihwA1
    [2]http://t.cn/RVTcBUH
    附adb和mprop百度网盘分享链接:http://t.cn/RVTcBUQ

    阅读全文 + 去微博评论 +

  • 西安鲲之鹏

    发布时间:2016-10-25 09:21:38
    【技巧】如何下载到某Apk的历史版本(你懂的)?
    1)在http://t.cn/zWO96yA上搜索该APP。2)进入APK详情页,点击版本标签后面的“更多版本 »”即可看到网站收录的所有历史版本,选择需要的版本下载即可。 ​​​​

    阅读全文 + 去微博评论 +

  • 西安鲲之鹏

    发布时间:2016-10-24 16:21:24
    【有图有真相】一大早收到客户质疑,说是发现之前(6个月前)采集的某网站的数据有问题,和网站上的信息不一致。经过我们技术人员检查,发现是因为网站信息更新了,而不是我们采集错误了。有图为证。 ​​​​

    阅读全文 + 去微博评论 +

  • 西安鲲之鹏

    发布时间:2016-10-19 14:00:03
    有几万个网页需要转成Word文档,试了Pandoc HTML格式转WORD(docx),效果很赞!
    "C:\Program Files (x86)\Pandoc\pandoc.exe" -o ouput.docx input.html
    附Pandoc下载地址(pandoc-1.17.2-windows.msi):http://t.cn/RVSR7Ne(百度网盘分享) ​​​​

    阅读全文 + 去微博评论 +

  • 西安鲲之鹏

    发布时间:2016-10-17 14:51:31
    squid external_acl_type介绍,及后台程序编写示例 >>> http://t.cn/RViEIWl ​​​​

    阅读全文 + 去微博评论 +

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。

加微信咨询