爬取国内创业公司、投资机构、独角兽公司信息
摘要： 之前爬的网站都是不需要登录就可以爬取的，但还有很多网站的内容需要先登录才能爬，比如桔子网、豆瓣、知乎等。这时采用之前的方法就不行了，需要先登录再去爬。本文以桔子网为例，介绍模拟登录方法，然后爬取该网站数据库中的数据信息，并保存到 MongoDB 数据库中。
1. 网站介绍
网址：https://www.itjuzi.com/
对于创投圈的人来说，国内的桔子和国外的 Crunchbase应该算是必备网站。今天，我们要说的就是前者，这个网站提供了很多有价值的信息。
信息的价值体现在哪里呢，举个简单的例子。你运营了一个不错的公众号，有着 10 万粉丝群，这时候你想找投资继续做大，但你不知道该到哪里去找投资。这时候你偶然发现了这个网站，在网站上你看到了同领域的大 V 号信息，他们得到了好几家公司上千万的投资。你看着心生羡慕，也跃跃欲试。于是，你经过综合对比分析，对自己公众号估值 200 万，然后就去找投资大 V 号的那几家公司洽谈。由于目的性明确，准备也充分，你很快就得到了融资。
这个例子中，桔子网提供了创业公司（运营公众号也是创业）融资金额和投资机构等相关宝贵的信息。当然，这只是非常小的一点价值，该网站数据库提供了自 2000 年以来的海量数据，包括：超过11 万家的创业公司、6 万多条投融资信息、7 千多家投资机构以及其他数据，可以说是非常全了。这些数据的背后蕴含着大量有价值的信息。
接下来，本文尝试爬取该网站数据库的信息，之后做一些数据分析，尝试找到一些有意思的信息。
主要内容：
模拟登录
分析 Ajax 然后抓取
存储到 MongoDB 数据库
导出 csv
数据分析(后期)
2. 模拟登录
2.1. Session 和 Cookies
观察这个网站，是需要先登录才能看到数据信息的，但是好在不用输验证码。我们需要利用账号和密码，然后实现模拟登录。
模拟登录的方法有好几种，比如 Post 直接提交账号、先登录获取 Cookies 再直接请求、Selenium 模拟登录等。其中：
Post 方法需要在后台获取登录的 url，填写表单参数然后再请求，比较麻烦；
直接复制 Cookies 的方法就是先登录账号，复制出 Cookies 并添加到 Headers 中，再用 requests.get 方法提交请求，这种方法最为方便；
Selenium 模拟登录方法是直接输入账号、密码，也比较方便，但速度会有点慢。
之后，会单独介绍几种方法的具体实现的步骤。这里，我们就先采用第二种方法。
首先，需要先了解两个知识点：Session 和 Cookies。
Session 在服务端，也就是网站的服务器，用来保存用户的会话信息，Cookies 在客户端，也可以理解为浏览器端，有了 Cookies，浏览器在下次访问网页时会自动附带上它发送给服务器，服务器通过识别 Cookies 并鉴定出是哪个用户，然后再判断用户是否是登录状态，然后返回对应的 Response。所以我们可以理解为 Cookies 里面保存了登录的凭证，有了它我们只需要在下次请求携带 Cookies 发送 Request 而不必重新输入用户名、密码等信息重新登录了。
因此在爬虫中，有时候处理需要登录才能访问的页面时，我们一般会直接将登录成功后获取的 Cookies 放在 Request Headers 里面直接请求。
更多知识，可以参考崔庆才大神的文章：
https://germey.gitbooks.io/python3webspider/content/2.4-Session%E5%92%8CCookies.html
在了解 Cookies 知识后，我们就可以进入正题了。
2.2. Requests 请求登录
首先，利用已有的账号和密码，登录进网站主页，然后右键-检查，打开第一个 www.itjuzi.com 请求：
向下拉到 Requests Headers 选项，可以看到有很多字段信息，这些信息之后我们都要添加到 Get 请求中去。
定位到下方的 Cookie 字段，可以看到有很多 Cookie 值和名称，这是在登录后自动产生的。我们将整个 Cookies 复制 Request Headers 里，然后请求网页就可以顺利登陆然后爬取。如果不加 Cookies，那么就卡在登录界面，也就无法进行后面的爬取，所以 Cookies 很重要，需要把它放到 Request Headers 里去。
下面，我们按照 json 格式开始构造 Request Headers。这里推荐一个好用的网站，可以帮我们自动构造 Request Headers：https://curl.trillworks.com/
使用方法也很简单，右键复制cURL链接到这个网页中。
将 cURL 复制到左边选框，默认选择语言为 Python，然后右侧就会自动构造后 requests 请求，包括 headers，复制下来直接可以用。登录好以后，我们就转到投融资速递网页中（url：http://radar.itjuzi.com/investevent），然后就可以获取该页面网页内容了。代码如下：
1import requests
2headers = {
3 'Connection': 'keep-alive',
4 'Cache-Control': 'max-age=0',
5 'Upgrade-Insecure-Requests': '1',
6 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36',
7 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
8 'DNT': '1',
9 'Referer': 'http://radar.itjuzi.com/investevent',
10 'Accept-Encoding': 'gzip, deflate, br',
11 'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8,zh-TW;q=0.7',
12 'If-None-Match': 'W/^\\^5bc7df15-19cdc^\\^',
13 'If-Modified-Since': 'Thu, 18 Oct 2018 01:17:09 GMT',
14 # 主页cookie
15 'Cookie': '你的cookie',
16 }
17
18url = 'http://radar.itjuzi.com/investevent' # 投融资信息
19s = requests.Session()
20response = s.get(url,headers = headers)
21print(response.status_code)
22print(response.text)
可以看到，添加 Cookie 后，我们请求投融资信息网页就成功了。这里如果不加 Cookie 的结果就什么也得不到：
好，这样就算成功登录了。但是整个 headers 请求头的参数太多，是否一定需要带这么多参数呢？ 这里就去尝试看哪些参数是请求一定要的，哪些则是不用的，不用的可以去掉以精简代码。经过尝试，仅需要下面三个参数就能请求成功。
1headers = {
2 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36'
3 'X-Requested-With': 'XMLHttpRequest',
4 # 主页cookie
5 'Cookie': '复制你的cookie',
6 }
Tips：当爬取失效的时候需要重新注册帐号，然后生成新的 Cookie。
如果你没那么多邮箱账号，那么推荐一个可生成随机账号的免费邮箱，用来接收注册激活链接：
https://10minutemail.net/
3. 网页爬取分析
在成功登录以后，我们就可以通过分析网页结构来采取相应的爬取方法。这里，我们将爬取投融资速递、创业公司、投资机构和千里马等几个子板块的数据。首先，以投融资速递信息为例。
网址：http://radar.itjuzi.com/investevent
3.1. 分析网页
可以看到，投融资事件信息网页中的数据是表格形式。经尝试点击翻页，发现url不变，可以初步判定网页数据采用 Ajax 形式呈现。切换到后台，点击翻页可以发现出现有规律的 info?locatiop 开头的请求，页数随 page 参数而发生规律的变化。
点击请求查分别查看 Response 和 Preview，发现表格数据是 json 格式，这就太好了。因为 json 格式的数据非常整齐也很容易抓取。上一篇文章，我们正好解决了 json 格式数据的处理方法，如果不太熟悉可以回顾一下：
https://www.makcyun.top/web_scraping_withpython6.html
接着，我们就可以通过构造 url 参数，然后用 Get 请求就可以获取网页中的表格数据，最后再加个循环，就可以爬取多页数据了。
3.2. 构造 url
下面，我们来构造一下 url，切换到 Headers 选项卡，拉到最底部可以看到 url 需带的请求参数。这里有三项，很好理解。location：in，表示国内数据； orderby：def，表示默认排序；page：1，表示第一页。所以，只需要改变 page 参数就可以查看其他页的结果，非常简单。
这里，如果我们对表格进行筛选，比如行业选择教育、时间选择 2018 年，那么相应的请求参数也会增加。通过构造参数就可以爬取指定的数据，这样就不用全部爬下来了，也对网站友好点。
3.3. 爬取数据
到这儿，我们就可以直接开始爬了。可以使用函数，也可以用定义类（Class）的方法。考虑到，Python 是一种面向对象的编程，类（Class）是面向对象最重要的概念之一，运用类的思想编程非常重要。所以，这里我们尝试采用类的方法来实现爬虫。
1import requests
2import pymongo
3import random
4import time
5import json
6import pandas as pd
7from fake_useragent import UserAgent
8ua = UserAgent()
9
10class ITjuzi(object):
11 def __init__(self):
12 self.headers = {
13 'User-Agent': ua.random,
14 'X-Requested-With': 'XMLHttpRequest',
15 'Cookie': '你的cookie',
16 }
17 self.url = 'http://radar.itjuzi.com/investevent/info?' # investevent
18 self.session = requests.Session()
19
20 def get_table(self, page):
21 """
22 1 获取投融资事件数据
23 """
24 params = { # invsestevent
25 'location': 'in',
26 'orderby': 'def',
27 'page': page,
28 'date': 2018 # 年份
29 }
30 response = self.session.get(
31 self.url, params=params, headers=self.headers).json()
32 print(response)
33 # self.save_to_mongo(response)
34
35if __name__ == '__main__':
36 spider = itjuzi()
37 spider.get_table(1)
如果你之前一直是用 Def 函数的写法，而没有接触过 Class 类的写法，可能会看地比较别扭，我之前就是这样的，搞不懂为什么要有 self、为什么用__init__。这种思维的转变可以通过看教程和别人写的实际案例去揣摩。这里，我先略过，之后会单独介绍。
简单解释一下上面代码的意思。首先定义了一个类（class），类名是 ITjuzi，类名通常是大写开头的单词。后面的 (object) 表示该类是从哪个类继承下来的，这个可以暂时不用管，填上就可以。然后定义了一个特殊的__init__方法，__init__方法的第一个参数永远是 self，之后是其他想要设置的属性参数。在这个方法里可以绑定些确定而且必须的属性，比如 headers、url 等。
在 headers 里面，User-Agent 没有使用固定的 UA，而是借助 fake_useragent包 生成随机的 UA：ua.random。因为，这个网站做了一定的反爬措施，这样可以起到一定的反爬效果，后续我们会再说到。接着，定义了一个 get_table() 函数，这个函数和普通函数没有什么区别，除了第一个参数永远是实例变量 self。在 session.get（）方法中传入 url、请求参数和 headers，请求网页并指定获取的数据类型为 json 格式，然后就可以顺利输出 2018 年投融资信息的第 1 页数据：
3.4. 存储到 MongoDB
数据爬取下来了，那么我们放到哪里呢？可以选择存储到 csv 中，但 json 数据中存在多层嵌套，csv 不能够直观展现。这里，我们可以尝试之前没有用过的 MongoDB 数据库，当作练习。另外，数据存储到该数据库中，后期也可以导出 csv，一举两得。
关于 MongoDB 的安装与基本使用，可以参考下面这两篇教程，之后我也会单独再写一下：
安装
https://germey.gitbooks.io/python3webspider/content/1.4.2-MongoDB%E7%9A%84%E5%AE%89%E8%A3%85.html
使用
https://germey.gitbooks.io/python3webspider/content/5.3.1-MongoDB%E5%AD%98%E5%82%A8.html
可视化工具可采用 Robo 3T (之前叫 RoboMongo)
https://www.mongodb.com/
下面我们就将上面返回的 json 数据，存储到 MongoDB 中去：
1import pymongo
2import numpy as np
3# mongodb数据库初始化
4client = pymongo.MongoClient('localhost', 27017)
5# 指定数据库
6db = client.ITjuzi
7# 指定集合，类似于mysql中的表
8mongo_collection1 = db.itjuzi_investevent
9
10def save_to_mongo(self, response):
11 try:
12 data = response['data']['rows'] # dict可以连续选取字典层内的内容
13 df = pd.DataFrame(data)
14 table = json.loads(df.T.to_json()).values()
15 if mongo_collection1.insert_many(table): # investment
16 print('存储到mongodb成功')
17 sleep = np.random.randint(3, 7)
18 time.sleep(sleep)
19 except Exception:
20 print('存储到mongodb失败')
21 def spider_itjuzi(self, start_page, end_page):
22 for page in range(start_page, end_page):
23 print('下载第%s页:' % (page))
24 self.get_table(page)
25 print('下载完成')
26
27if __name__ == '__main__':
28 spider = ITjuzi()
29 spider.spider_itjuzi(1, 2)
这里，安装好 MongoingDB 数据库、Robo 3T 和 pymongo 库后，我们就可以开始使用了。
首先，对数据库进行初始化，然后指定（如果没有则生成）数据将要存放的数据库和集合名称。接着，定义了save_to_mongo 函数。由于表格里面的数据存储在键为 rows 的 value 值中，可使用 response['data']['rows'] 来获取到 json 里面的嵌套数据，然后转为 DataFrame。DataFrame 存储 MongoDB 参考了 stackoverflow 上面的一个答案：json.loads(df.T.to_json()).values()。
然后，使用 mongo_collection1.insert_many(table) 方法将数据插入到 mongo_collection1，也就是 itjuzi_investevent 集合中。爬取完一页数据后，设置随机延时 3-6 s，避免爬取太频繁，这也能起到一定的反爬作用。
最后，我们定义一个分页循环爬取函数 spider_itjuzi，利用 for 循环设置爬取起始页数就可以了，爬取结果如下：
打开 Robo 3T，可以看到数据成功存储到 MongoDB 中了：
好，以上，我们就基本上完成了 2018 年投融资信息数据表的爬取，如果你想爬其他年份或者更多页的数据，更改相应的参数即可。
3.5. 导出到 csv
数据存好后，如果还不太熟悉 MongoDB 的对数据的操作，那么我们可以将数据导出为 csv，在 excel 中操作。MongoDB不能直接导出 csv，但操作起来也不麻烦，利用mongoexport命令，几行代码就可以输出 csv。
mongoexport导出 csv 的方法：
https://docs.mongodb.com/manual/reference/program/mongoexport/#mongoexport-fields-example
首先，运行 cmd，切换路径到 MongoDB 安装文件夹中的 bin 目录下，我这里是：
1cd C:\Program Files\MongoDB\Server\4.0\bin
接着，在桌面新建一个txt文件，命名为fields，在里面输入我们需要输出的表格列名，如下所示：
然后，利用mongoexport命令，按照：表格所在的数据库、集合、输出格式、导出列名文件位置和输出文件名的格式，编写好命令并运行就可以导出了：
1mongoexport --db ITjuzi --collection itjuzi_investevent --type=csv --fieldFile C:\Users\sony\Desktop\fields.txt --out C:\Users\sony\Desktop\investevent.csv
cmd 命令：
导出 csv 结果如下：
Tips：直接用 excel 打开可能会是乱码，需先用 Notepad++ 转换为 UTF-8 编码，然后 excel 再打开就正常了。
以上，我们就完成了整个数据表的爬取。
3.6. 完整代码
下面，可以再尝试爬取创业公司、投资机构和千里马的数据。他们的数据结构形式是一样的，只需要更换相应的参数就可以了，感兴趣的话可以尝试下。将上面的代码再稍微整理一下，完整代码如下：
1import requests
2import re
3import pymongo
4import random
5import time
6import json
7import random
8import numpy as np
9import csv
10import pandas as pd
11from fake_useragent import UserAgent
12import socket # 断线重试
13from urllib.parse import urlencode
14# 随机ua
15ua = UserAgent()
16# mongodb数据库初始化
17client = pymongo.MongoClient('localhost', 27017)
18# 获得数据库
19db = client.ITjuzi
20# 获得集合
21mongo_collection1 = db.itjuzi_investevent
22mongo_collection2 = db.itjuzi_company
23mongo_collection3 = db.itjuzi_investment
24mongo_collection4 = db.itjuzi_horse
25
26class itjuzi(object):
27 def __init__(self):
28
29 self.headers = {
30 'User-Agent': ua.random,
31 'X-Requested-With': 'XMLHttpRequest',
32 # 主页cookie
33 'Cookie': '你的cookie',
34 }
35 self.url = 'http://radar.itjuzi.com/investevent/info?' # investevent
36 # self.url = 'http://radar.itjuzi.com/company/infonew?' # company
37 # self.url = 'http://radar.itjuzi.com/investment/info?' # investment
38 # self.url = 'https://www.itjuzi.com/horse' # horse
39 self.session = requests.Session()
40
41 def get_table(self, page):
42 """
43 1 获取投融资事件网页内容
44 """
45 params = { # 1 invsestevent
46 'location': 'in',
47 'orderby': 'def',
48 'page': page,
49 'date':2018 #年份
50 }
51
52 # # # # # # # # # # # # # # # # # # # # # # # # # ## # # # # # # # # # # #
53 # params = { # 2 company
54 # 'page': page,
55 # # 'scope[]': 1, # 行业 1教育
56 # 'orderby': 'pv',
57 # 'born_year[]': 2018, # 只能单年，不能多年筛选，会保留最后一个
58 # }
59 # # # # # # # # # # # # # # # # # # # # # # # # # ## # # # # # # # # # # #
60 # params = { # 3 investment
61 # 'orderby': 'num',
62 # 'page': page
63 # }
64 # # # # # # # # # # # # # # # # # # # # # # # # # ## # # # # # # # # # # #
65 # params = { # 4 horse
66 # }
67 # 可能会遇到请求失败，则设置3次重新请求
68 retrytimes = 3
69 while retrytimes:
70 try:
71 response = self.session.get(
72 self.url, params=params, headers=self.headers,timeout = (5,20)).json()
73 self.save_to_mongo(response)
74 break
75 except socket.timeout:
76 print('下载第{}页，第{}次网页请求超时' .format(page,retrytimes))
77 retrytimes -=1
78
79 def save_to_mongo(self, response):
80 try:
81 data = response['data']['rows'] # dict可以连续选取字典层内的内容
82 # data =response # 爬取千里马时需替换为此data
83 df = pd.DataFrame(data)
84 table = json.loads(df.T.to_json()).values()
85 if mongo_collection1.insert_many(table): # investevent
86 # if mongo_collection2.insert_many(table): # company
87 # if mongo_collection3.insert_many(table): # investment
88 # if mongo_collection4.insert_many(table): # horse
89 print('存储到mongodb成功')
90 sleep = np.random.randint(3, 7)
91 time.sleep(sleep)
92 except Exception:
93 print('存储到mongodb失败')
94
95 def spider_itjuzi(self, start_page, end_page):
96 for page in range(start_page, end_page):
97 print('下载第%s页:' % (page))
98 self.get_table(page)
99 print('下载完成')
100
101if __name__ == '__main__':
102 spider = itjuzi()
103 spider.spider_itjuzi(1, 2)
源代码也可以在下面的链接中获取：
https://github.com/makcyun/web_scraping_with_python
4. 总结：
本文以桔子网为例，介绍了需登录网站的爬取方法。即：先模拟登录再爬取数据信息。但是还有一些网站登录时需要输入验证码，这让爬取难度又增加，后期会再进行介绍。
该网站相比之前的爬虫网站，反爬措施高了很多。本文通过设置随机延时、随机 UserAgent，可一定程度上增加爬虫的稳定性。但是仍然会受到反爬措施的限制，后期可尝试通过设置 IP 代理池进一步提升爬虫效率。
上面的爬虫程序在爬取过程容易中断，接着再进行爬取即可。但是手动修改非常不方便，也容易造成数据重复爬取或者漏爬。所以，为了更完整地爬取，需增加断点续传的功能。
补充一下，后期可能会在我的博客中不断更新、补充本文的内容。如想获得更多，可点击阅读原文，或者浏览器打开我的博客链接。
https://www.makcyun.top
本文完。