天眼查数据抓取
利用 phantomjs抓取动态js渲染的网页
##origindata目录存储 原始xlsx数据
##tempdata目录存储 临时的中间数据,用来进行数据的转换
##storage目录存储 获取超链接/详细信息时程序中断的位置,以便下一次程序启动后接着上一次中断位置开始搜索
##result目录存储 最终生成的xlsx数据
首先安装依赖文件 进入命令行工具 进入文件根目录 运行命令 cnpm install 等待安装完依赖文件之后执行以下命令
1、进入命令行工具 运行命令 node step1_init.js 置空相关txt文件,以及storage目录中的缓存文件
2、运行命令 node step2_changeOriginData.js 将xlsx内容转换成txt格式--(因为phantomjs不支持读写xlsx)。由此获得公司名称数组,数据存储在./tempdata/originCompanyData.txt
3、运行命令 phantomjs step3_getLinks.js(有时候会出现无法获取数据,一直在等待状态,未知原因,等待较长时间才会有反应,估计是天眼查响应慢) 通过公司名字,在天眼查上搜到与关键字相近的公司,取搜到结果的第一个公司的详情超链接 遍历查询所有需要搜索的公司 结果将得到一个超链接数组,数据存储在./tempdata/companyLinks.txt
4、运行命令 phantomjs step4_getDetails.js(有时候会出现无法获取数据,一直在等待状态,未知原因,等待较长时间才会有反应,估计是天眼查响应慢) 遍历超链接数组,获取各个公司的电话/邮箱/名字/网址等 此时数组还是一个文本存储方式,数据存储在./tempdata/companyDetails.txt
5、运行命令 node step5_changeFinalDataToXlsx.js 将文本数据格式转换成xlsx格式,数据存储在./result/finalCompanyData+时间戳.xlsx
收工!