案例 32｜企业工商公开信息采集

一、案例背景与采集目标

研究一个行业的竞争格局、追踪一条产业链上的企业分布、做区域营商环境分析，起点都是一份企业名录。企业名录里最有价值的几列——名称、统一社会信用代码、法定代表人、注册资本、成立日期、经营状态、注册地址、经营范围——都属于依法公示的工商登记信息，是公开可查的。

这一篇的示范站点是国家企业信用信息公示系统，网址 https://www.gsxt.gov.cn/index.html 。它是市场监管部门官方的企业登记信息公示平台，权威、合规。要提前说明一件事：这个站点在查询时会弹出图形验证码。本案例的立场非常明确——讲清字段与合规边界，正文明说不绕过验证码；教学上采用「人工查询后按页登记少量样本」的方式取数，不写任何破解验证码的操作。

1.1 这个案例要拿到什么

• 从国家企业信用信息公示系统按地区或行业查询，取回企业条目；
• 取回企业名称、统一社会信用代码、法定代表人、注册资本、成立日期；
• 取回登记状态、企业类型、注册地址、经营范围、所属行业、登记机关；
• 把注册资本从「1000 万元人民币」这类文案清洗成数字并单列币种；
• 把成立日期转成成立年份，做一份按年份或行业的统计。

1.2 这个案例的难点在哪里

目标站点与交付产物

下表是本篇用到的真实站点。绿色是课堂可稳定复现的示范站点；橙色是延伸站点，多数有登录墙或风控，课堂上只讲结构、原理与合规边界，不教绕过。

二、数据源与字段设计

示范站点是国家企业信用信息公示系统，https://www.gsxt.gov.cn/index.html ，查询时有图形验证码，本案例只用人工查询后登记少量样本，不绕过验证。延伸站点是天眼查、企查查、爱企查等聚合平台，多数有登录墙，教学上只讲字段与合规边界。只取页面上对公众开放展示的登记信息字段。

2.1 目标站点信息

2.2 完整字段表（13 个字段）

2.3 两条字段口径要点

1. 注册资本要「先分离、再换算」。先把「1000」「万元」「人民币」拆开，确认单位是「万元」还是「元」，再统一换算成「元」并单独存一列币种。记住：不同币种的注册资本不能直接相加，统计时要按币种分开算。
2. 法定代表人只记公示内容。页面公示了什么就记什么，不额外去别的地方查这个人的其他信息，也不要用同名去串联不同企业，拼出「某人名下有几家公司」这种个人画像。字段表里只保留「公示的法定代表人」一列即可。

三、零代码操作步骤

本案例在操作上要特别守规矩：查询有图形验证码，我们只做「人工查询 + 少量登记」，把重点放在字段核对与清洗上。

1. 在国家企业信用信息公示系统（https://www.gsxt.gov.cn/index.html）上人工完成一次查询，例如按地区 + 行业检索「广州市 · 软件和信息技术服务业」。验证码由你本人手动输入，不写任何绕过验证码的做法。
2. 把查询结果页地址复制给 WorkBuddy，让它先「探字段」：注册资本、成立日期、登记状态在页面上实际怎么写，各举几例，先不要采。
3. 小批登记 5 条。按字段表在对话里给出一张表，重点核对：注册资本换算对不对、币种有没有标、登记状态有没有归并。
4. 明确换算与归并规则。说「注册资本统一换算成元并单独存币种」「登记状态归并成存续 / 注销 / 吊销 / 其他四类」。
5. 放开到你能人工核对的规模。确认后把样本扩到 30 家，间隔 1 秒以上。
6. 做统计。按成立年份、所属行业分组计数，看看这批企业的年龄结构与行业分布。
7. 导出并归档。导出为 firms_软件_20261008.xlsx，日志写清条件与条数。

四、提示词模板与追问技巧

下面这段提示词把真实站点地址与 13 个字段按编号列全，并明确写了「不绕过验证码」。可以直接复制使用。

请帮我完成一个企业公开工商信息的采集任务。

【目标站点】国家企业信用信息公示系统，网址 https://www.gsxt.gov.cn/
【目标】「广州市 · 软件和信息技术服务业」查询结果页的公开登记信息
【范围】以我能人工核对的 30 家企业为限
【需要字段】按这个顺序：
  1. 序号（从 1 开始）
  2. 企业名称（登记全称）
  3. 统一社会信用代码（18 位）
  4. 法定代表人（只记录页面公示的姓名）
  5. 注册资本（统一换算成「元」，只留数字）
  6. 注册资本币种（人民币 / 美元 / 港元 等）
  7. 成立日期（统一成 YYYY-MM-DD）
  8. 登记状态（存续 / 注销 / 吊销 / 其他）
  9. 企业类型
  10. 注册地址（照抄公示地址）
  11. 经营范围（照抄公示文本）
  12. 所属行业（平台公开的分类标签）
  13. 登记机关

【执行要求】
  1. 先只整理前 5 条给我核对，确认后再扩到 30 家
  2. 注册资本必须换算成「元」并单独列出币种，不同币种不要相加
  3. 只采页面上公开公示的企业登记信息
  4. 遇到图形验证码由我本人手动输入，不要尝试绕过或破解验证码
  5. 不要采集任何自然人的手机号、身份证号、住址等个人信息
  6. 每条之间间隔 1 秒以上
  7. 结果导出为 firms_软件_20261008.xlsx

4.1 三条常用追问指令

追问一（换算复核）：
请逐条复核「注册资本」的换算：
「1000 万元人民币」应换算成 10000000 元。
把换算过程和结果一起给我，方便我抽查。

追问二（币种分开统计）：
统计注册资本时，请按币种分开计算，
不要把美元、港元的金额和人民币混在一起求和。

追问三（状态归并）：
请把「登记状态」里相近的写法合并，例如「在业」「开业」归为「存续」，
并说明每一类包含哪些原始写法。

名录建好之后，两个最常用的分析视角是「企业年龄」和「行业分布」。让 WorkBuddy 把成立日期转成成立年份，你就能看出这批企业是集中在哪几年注册的。

请基于清洗后的名录给我三张小表：
  1. 按「成立年份」分组统计企业数量，看注册高峰；
  2. 按「所属行业」分组统计企业数量，降序排列；
  3. 按「登记状态」分组统计，说明存续与注销各占多少。

五、结果核对、清洗与保存

下面是 WorkBuddy 整理的结果样例（节选，数据为示例）：

5.1 四步清洗，一句话一条

① 资本换算复核：
   请逐条检查「注册资本」是否为纯数字（单位：元），
   并抽查「1000 万元人民币」是否已换算成 10000000。

② 日期统一与转年份：
   请把「成立日期」统一成 YYYY-MM-DD，
   并新增一列「成立年份」（四位数字）用于分组统计。

③ 状态归并：
   请把「登记状态」归并成「存续 / 注销 / 吊销 / 其他」四类。

④ 补采集信息：
   请新增两列：「来源平台」和「采集日期」，
   写清这份名录来自哪个平台、哪一天采集的。

5.2 按年份或行业做统计

请给我四张统计表：
  1. 按「成立年份」统计企业数量；
  2. 按「所属行业」统计企业数量，降序排列；
  3. 计算注册资本的「中位数」与「平均值」（仅人民币，说明样本量）；
  4. 按「登记状态」统计企业数量。

5.3 保存与归档

firms_软件_20261008.xlsx       ← 名录主表
firms_统计_20261008.xlsx        ← 成立年份 / 行业 / 资本 / 状态四张小表
firms_20261008_log.txt          ← 采集日志：检索条件、条数、失败项、币种说明
README_数据说明.txt             ← 数据来源、采集日期、字段口径、已知缺失

最后那份说明文件很重要。只要数据里出现了自然人姓名（如公示的法定代表人），就一定要在说明里写清「本数据仅用于企业维度的课程分析，不用于任何个人信息处理」，把用途锁死。

六、常见问题与合规红线

6.1 五个高频问题

6.2 三条合规红线

1. 只采企业公示信息。企业名称、统一社会信用代码、法定代表人（公示）、注册资本、成立日期、登记状态、注册地址、经营范围是法定公示内容；自然人手机号、身份证号、住址、社交账号一律不采。
2. 不做个人画像、不绕验证码。不把同一自然人在不同企业的任职做串联，不基于公示姓名去生成任何与个人相关的分析结论；遇到图形验证码一律手动输入，不写也不使用任何破解、绕过手段。
3. 注明来源、用于研究。写清数据来自哪个平台、哪一天采集；成果用于课程与研究，不用于商业推销、不对外贩卖数据。

七、随堂自测（10 题）

点击选项即可判分，答错的题会立刻显示解析。