Python爬虫教程：requests+BeautifulSoup实战

requests和BeautifulSoup组合适用于静态网页爬取，核心流程包括发送HTTP请求、解析HTML内容、提取目标数据。2. 提取数据常用find()、find_all()方法，支持通过标签名、类名、ID及CSS选择器精准定位。3. 常见错误包括网络请求失败、解析错误、动态加载内容和编码问题，可通过异常处理、重试机制、手动设置编码等方式应对。4. 当面临动态渲染内容、复杂交互、大规模爬取或强反爬机制时，应考虑升级工具如Selenium、Playwright或Scrapy框架。

Python实现网页爬虫，requests负责搞定网络请求，把网页内容抓回来；BeautifulSoup则专门用来解析这些HTML或XML文档，把我们需要的数据从一堆标签里拎出来。在我看来，这对组合简直是初学者和多数中小型爬虫项目的黄金搭档，上手快，效率也挺高。

解决方案

说实话，用requests和BeautifulSoup来做网页爬虫，核心流程其实挺直观的。你首先得用requests库向目标网址发送一个HTTP请求，比如一个GET请求，就像你在浏览器里输入网址然后回车一样。它会帮你把服务器返回的整个网页内容（通常是HTML代码）抓到本地。这一步，你可能得考虑设置一些请求头（headers），比如User-Agent，让你的爬虫看起来更像一个正常的浏览器访问，不然有些网站可能会直接把你拦在门外。

拿到网页内容后，这堆原始的HTML字符串其实是很难直接处理的，因为它充满了各种标签和结构。这时候，BeautifulSoup就派上用场了。你把requests获取到的文本内容丢给BeautifulSoup，它会帮你把这些文本解析成一个可以方便操作的树形结构。有了这个结构，你就可以像逛自家后院一样，轻松地通过标签名、类名、ID，甚至是CSS选择器，去定位你想要的数据了。

整个过程，嗯，就像是先派一个快递员（requests）去把包裹（网页内容）取回来，然后你再请一位专业的整理师（BeautifulSoup）把包裹里的东西（数据）分门别类地整理好。

一个最基础的例子，比如我们要抓取一个网页的标题：

import requests
from bs4 import BeautifulSoup

url = "https://www.example.com" # 替换成你要爬的网址

try:
    # 发送GET请求，获取网页内容
    response = requests.get(url, timeout=10) # 设置超时是个好习惯
    response.raise_for_status() # 检查HTTP状态码，如果不是200，会抛出异常

    # 使用BeautifulSoup解析网页内容
    soup = BeautifulSoup(response.text, 'html.parser')

    # 查找网页标题
    title_tag = soup.find('title')
    if title_tag:
        print(f"网页标题是: {title_tag.get_text()}")
    else:
        print("未找到网页标题。")

except requests.exceptions.RequestException as e:
    print(f"请求失败: {e}")
except Exception as e:
    print(f"解析或处理过程中发生错误: {e}")

这段代码，你瞧，它就包含了从请求到解析，再到提取数据的基本骨架。实际操作中，你可能还会遇到编码问题，比如网页是GBK编码，requests默认按UTF-8解码可能会乱码，这时就需要手动指定response.encoding了。

如何精确提取网页中的目标数据？

当网页内容拿到手，并用BeautifulSoup解析成“汤”之后，最让人头疼的往往是，如何在这一大锅“汤”里精准地捞出那几片你想要的“菜叶子”。这其实是BeautifulSoup的强项。它提供了好几种“捞菜”的方法，让你能根据不同的线索来定位数据。

最常用的，也是我个人觉得最直观的，是find()和find_all()。如果你知道你要找的元素是唯一的，或者你只想要第一个匹配项，那就用find()。比如，soup.find('div', class_='article-content')，它会找到第一个class为article-content的div标签。但如果你想把所有符合条件的元素都找出来，比如一个商品列表里的所有商品项，那就得用find_all()了。它会返回一个列表，里面装着所有匹配的标签。

# 假设我们想找到所有链接
all_links = soup.find_all('a')
for link in all_links:
    href = link.get('href') # 获取链接的href属性
    text = link.get_text() # 获取链接的文本
    print(f"链接文本: {text}, URL: {href}")

# 查找特定ID的元素
footer = soup.find(id='footer')
if footer:
    print(f"页脚内容: {footer.get_text(strip=True)}") # strip=True可以去除多余空白

除了通过标签名和属性来找，BeautifulSoup还支持强大的CSS选择器，这对于熟悉前端开发的人来说简直是福音。你可以用select()方法，传入一个CSS选择器字符串，它会返回所有匹配的元素列表。比如，soup.select('.product-list .item h2 a')，这就能帮你找到所有在product-list类下的item类中，h2标签里的a标签。这种方式在处理复杂嵌套结构时特别方便，因为你可以直接从浏览器开发者工具里复制CSS选择器。

# 使用CSS选择器查找
product_titles = soup.select('.product-list .item h2 a')
for title_tag in product_titles:
    print(f"商品标题: {title_tag.get_text()}")

在使用这些方法的时候，你得学会用浏览器的开发者工具（F12）去检查网页的HTML结构。这是最关键的一步，因为你得知道你要找的数据是藏在哪个标签里，有什么ID或类名。有时候，目标数据可能不是直接在标签文本里，而是在某个属性里（比如图片的src属性，链接的href属性），这时候就得用tag.get('attribute_name')来提取了。记住，如果find或select没有找到任何匹配项，它们会返回None或空列表，所以在后续操作前最好做个非空判断，避免程序报错。

爬虫过程中常见的错误与应对策略？

即便你对requests和BeautifulSoup运用得炉火纯青，在实际的爬虫工作中，总会遇到一些让人头疼的“拦路虎”。这些错误通常不是代码逻辑问题，而是外部环境带来的挑战。

一个很常见的，是网络请求失败。这可能是因为目标网站服务器暂时挂了，或者你的网络连接有问题，再或者是网站检测到你是爬虫并拒绝了你的请求。requests.exceptions.RequestException是这类错误的基类，你可能会遇到ConnectionError（网络连接问题），Timeout（请求超时），甚至HTTPError（非200的状态码，比如403 Forbidden、404 Not Found、500 Internal Server Error）。对于这类问题，我的经验是，首先要确保你请求的URL是正确的，然后检查你的网络。如果网站反爬比较严格，你可能需要尝试设置更完善的User-Agent，或者加上Referer等其他HTTP头，甚至模拟Cookie。对于临时的网络抖动或服务器响应慢，设置一个合理的timeout参数，并在try...except块中捕获异常，然后尝试重试（比如间隔几秒后再试一次），通常能解决大部分问题。

import time

max_retries = 3
for i in range(max_retries):
    try:
        response = requests.get(url, timeout=5)
        response.raise_for_status()
        # 成功，跳出循环
        break
    except requests.exceptions.RequestException as e:
        print(f"第{i+1}次请求失败: {e}")
        if i < max_retries - 1:
            time.sleep(2 ** i) # 指数退避，等待更长时间再重试
        else:
            print("达到最大重试次数，放弃请求。")
            raise # 抛出最终异常

其次，是解析错误或数据缺失。你辛辛苦苦抓回来的网页，可能因为网站结构更新了，或者某些数据本来就不存在，导致你用BeautifulSoup的find()或select()方法找不到预期的元素。这时候，你得重新检查网站的HTML结构，看看是不是标签名、类名变了。另外，有些网页内容是动态加载的，也就是说，你用requests抓到的HTML可能只是一部分骨架，真正的数据是通过JavaScript在浏览器端渲染出来的。对于这种情况，BeautifulSoup是无能为力的，因为它只能处理静态HTML。你可能会发现，你用find()找半天都找不到数据，因为它们根本不在response.text里。

最后，编码问题也时常出现。虽然现在大部分网站都用UTF-8，但偶尔还是会遇到GBK或ISO-8859-1等编码的网站。requests会尝试自动检测编码，但有时候会出错，导致中文乱码。这时候，你可以通过response.encoding来查看requests检测到的编码，如果不对，就手动设置response.encoding = 'gbk'，或者直接用response.content.decode('gbk')来解码。

何时考虑升级爬虫工具或框架？

虽然requests和BeautifulSoup的组合在很多场景下都表现出色，但它们并非万能。总有一些时候，你会发现这对搭档开始力不从心，这时候就得考虑升级你的爬虫工具栈了。

最常见的限制，也是最让人头疼的，就是动态加载的内容。如果一个网站的数据是通过JavaScript异步加载的（比如你滚动页面才会加载更多内容，或者点击某个按钮才显示数据），那么单纯用requests抓取到的HTML，可能就只有页面的骨架，而没有你真正想要的数据。因为requests只是模拟HTTP请求，它不会像浏览器那样执行JavaScript。面对这种情况，你需要一个能够模拟浏览器行为的工具，比如Selenium或Playwright。它们可以驱动真实的浏览器（或无头浏览器）来访问网页，执行JavaScript，等待页面加载，甚至模拟用户的点击、输入等交互行为。当然，这会带来更高的资源消耗和更慢的爬取速度，但却是解决这类问题的有效途径。

另一个需要升级的信号是，当你开始处理大规模的爬取任务时。如果你的目标是爬取成千上万个页面，甚至需要处理复杂的网站结构、反爬机制、数据去重、分布式部署等问题，那么requests和BeautifulSoup的简单脚本模式就会显得效率低下且难以维护。这时候，专业的爬虫框架，比如Scrapy，就显得非常有必要了。Scrapy是一个功能强大且高度可定制的Python爬虫框架，它提供了从请求调度、并发处理、数据管道、中间件到分布式爬取等一整套解决方案。它能帮你更好地管理爬虫项目，提高爬取效率，并处理更复杂的场景。

还有一些情况，比如你需要频繁地处理验证码，或者模拟复杂的登录流程，这些用requests和BeautifulSoup来实现会非常繁琐，甚至不可能。虽然有些库可以辅助处理验证码（如OCR识别），但当反爬机制变得非常智能时，你可能需要更高级的策略，甚至结合机器学习。

总的来说，当你的爬虫项目开始遇到以下挑战时，就是时候考虑升级了：

• 网页内容大量依赖JavaScript渲染。
• 需要模拟复杂的浏览器交互行为（点击、滚动、输入）。
• 爬取规模庞大，需要高并发、分布式、健壮的错误处理和数据管理。
• 网站的反爬机制非常复杂，需要模拟更真实的浏览器指纹。

记住，requests和BeautifulSoup是优秀的起点，它们能让你快速验证想法，处理大多数静态网页。但当你的需求超越了它们的范畴，不必犹豫，去探索更强大的工具，它们能帮你打开新的大门。