天眼数据抓取项目

[TOC]

项目简介

---

• 项目说明 ：
  1. 抓取数据：破解登录的滑动验证码和机器人检测 - （机器人检测 还未破解）
  2. 数据模型转换 爬取的数据字典 转为 数据库映射类的模型
  3. 入库 存入数据库
• 项目数据库 ： mysql，当然也可以是其他数据库，只需要更改其config.py 文件中的相关配置。
• 项目源文件介绍：
  • main.py - 项目入口文件
  • models.py - 数据库实体
  • db_helper.py - 数据库操作根
  • file_helper.py - 文件操作
  • config.py - 项目配置
  • geetest2包 - 来自于github 开源项目 破解天眼的滑动验证码
  • spider.py - 爬虫程序
  • viewmodel.py - 继承自db_helper的BaseModel 根
• 项目运行产生的文件介绍：
  • senior_people.csv - 公司高管信息（包含所有维度）
  • illegals_data.csv - 公司违规信息（所有维度）

一、数据库设计

1. 数据库表及字段详解

---

company(公司表)

字段名称	字段类型	字段属性	字段注解
company_id	varchar(20)	主键	公司id
company_name	varchar(50)		公司名称
mod_time	datetime	默认值 写入时间	修改时间

company_person(公司人员表)

字段名称	字段类型	字段属性	字段注解
id	varchar(20)	主键	id
name	varchar(5)		姓名
age	int		年龄
sex	varchar(1)		性别
eduaction	varchar(5)		学历
resume	text		个人简介
mod_time	datetime		修改时间

executive_group(高管分组表)

字段名称	字段类型	字段属性	字段注解
group_id	int	主键	分组id
group_name	varchar(5)		分组名称-(董事会，监事会，高管)

company_executive(高管表)

字段名称	字段类型	字段属性	字段注解
id	int	主键,自增	主键id
company_id	varchar(20)	外键	公司id
group_id	int	外键	分组id
person_id	varchar(20)	外键	人员id
position	varchar(50)		职称描述
start_date	date		任职开始日期
end_date	date		任职结束日期
report_date	date		公告日期
mod_time	datetime	默认值-写入时间	修改时间

salary_table(薪酬表)

字段名称	字段类型	字段属性	字段注解
id	int	主键,自增	主键id
company_id	varchar(20)	外键	公司id
person_id	varchar(20)	外键	人员id
money	varchar(10)		薪资金额
number_of_shares_with_unit	varchar(10)
mod_time	datetime	默认值-写入时间	修改时间

company_illegals(公司违规处理表)

字段名称	字段类型	字段属性	字段注解
id	int	主键,自增	主键id
company_id	varchar(20)	外键	违规公司id
disposer	varchar(50)	外键	处理机构
default_type	varchar(10)		违规类型
illegal_act_withlink	text		违规详情
punish_type	varchar(10)		处理类型-（惩罚类型）
punish_explain_withlink	text		处理详情
punish_object	varchar(20)		被处理对象
announcement_date	date		公告日期
currency_unit	varchar(10)		涉及金额
mod_time	datetime	默认值-（写入时间）	修改时间

2. 数据库E-R图

二、数据抓取

1. 登录 获取cookie

2. 搜索（普通用户只能够访问前5页数据）

• 接口： https://www.tianyancha.com/search/p{}/key='company_name'

3. 获取公开的董监高数据

• 接口 ： https://www.tianyancha.com/pagination/seniorPeople.xhtml

4. 获取公司违规信息

• 接口：https://www.tianyancha.com/pagination/corpIllegals.xhtml

  违规信息太少了 根据上面的董监高接口猜出来的

三、相关截图

1. 运行截图

2. csv文件截图

3. 数据库截图

四、数据呈现

由于时间问题，这块内容未实现，下面只是一些想法

1. 数据展示 ： 用现在的数据可视化技术（python 数据分析）（js echart.js 图表库）比如可以做一个 公司高管薪资水平图表
2. 数据挖掘 ：处理分析公司的违规信息，做简单的公司风险预测（还没有尝试过）

五、免责声明

本项目仅仅只用与面试（某面试）若用于其他用途，请自行承担相关责任！！

六、可用性说明

1. 当前登录功能可用
2. 网页解析功能已失效（天眼查网站网页结构变化 现有代码无法解析）