Python爬虫实战：requests+BeautifulSoup教程

想要快速掌握 Python 爬虫？本文为你提供了一份详细的 `requests` + `BeautifulSoup` 实战教程。作为 Python 爬虫最常用的组合，`requests` 负责发送 HTTP 请求，抓取网页 HTML 内容，而 `BeautifulSoup` 则负责解析 HTML，从中提取所需数据。本文将详细讲解如何安装依赖库，如何使用 `requests` 获取网页内容，以及如何利用 `BeautifulSoup` 的 `find`、`find_all` 和 `select` 等方法提取数据。同时，还会分享一些实用的爬虫技巧，例如处理编码问题、应对网页结构变化以及控制请求频率，助你避免踩坑，轻松高效地抓取静态网页数据。无论你是初学者还是有一定经验的开发者，都能从本文中受益。

使用 Python 抓取网页数据时，requests 和 BeautifulSoup 是最常用的组合。requests 用于发送 HTTP 请求并获取网页内容，而 BeautifulSoup 则用于解析 HTML 并提取所需数据。1. 安装依赖库：使用 pip install requests beautifulsoup4 或加国内源安装；2. 获取网页内容：通过 requests.get() 方法发送请求，并加入异常处理和 headers 模拟浏览器访问；3. 解析 HTML：用 BeautifulSoup 初始化解析器，利用 find、find_all 和 select 等方法提取数据；4. 注意编码问题、结构不稳定及请求频率控制等小技巧避免踩坑。这套方案适用于静态页面，且简单高效。

想用 Python 父取网页数据，requests 和 BeautifulSoup 是最常见、也最容易上手的组合。简单来说，requests 用来下载网页内容，BeautifulSoup 用来解析 HTML 并提取你需要的数据。这套方案适合静态页面，不涉及 JavaScript 渲染。

准备工作：安装依赖库

使用前需要先安装两个库，命令如下：

pip install requests beautifulsoup4

这两个库都很轻量，安装过程一般不会出问题。如果网络不好，可以加国内源，比如清华镜像：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple requests beautifulsoup4

第一步：获取网页内容（requests）

爬虫的第一步是发送 HTTP 请求，拿到网页的 HTML 内容。requests 的 get 方法就能搞定：

import requests

url = 'https://example.com'
response = requests.get(url)

# 检查是否成功获取
if response.status_code == 200:
    html_content = response.text
else:
    print("请求失败")

这里需要注意几个点：

• 加入异常处理，比如超时或连接错误：

  try:
      response = requests.get(url, timeout=10)
  except requests.exceptions.RequestException as e:
      print(e)

• 有些网站会检测 User-Agent，防止你被拒绝访问，可以加上 headers：

  headers = {
      'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64)'
  }
  response = requests.get(url, headers=headers)

第二步：解析HTML并提取数据（BeautifulSoup）

有了 HTML 内容后，下一步就是从中提取有用的信息。BeautifulSoup 提供了非常方便的方法来查找标签和内容。

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_content, 'html.parser')

# 示例：提取所有链接
for link in soup.find_all('a'):
    print(link.get('href'))

# 示例：提取特定标题
title = soup.find('h1').text
print(title)

常用的查找方法包括：

• find(tag, attrs)：找第一个匹配的标签
• find_all(tag, attrs)：找所有匹配的标签
• 支持 CSS 选择器：soup.select('div.content > p')

举个实际例子，比如你想提取某个新闻网站的文章标题和正文，可以这样写：

title = soup.find('h1', class_='article-title').text.strip()
content = soup.find('div', id='article-content').text.strip()

注意类名要用 class_，因为 class 是 Python 关键字。

小技巧：避免踩坑

这个组合虽然简单，但还是有几个容易忽略的地方：

• 编码问题：有时返回的内容乱码，记得检查响应头的编码方式：

  response.encoding = response.apparent_encoding

• 结构不稳定：网页结构可能经常变，建议写代码时多加判断，比如：

  title_tag = soup.find('h1')
  title = title_tag.text if title_tag else '未知标题'

• 不要太快请求：频繁访问可能会被封 IP，适当加点延迟：

  import time
  time.sleep(1)  # 每次请求间隔1秒

基本上就这些。整个流程下来，你会发现 requests 负责“拿”，BeautifulSoup 负责“挑”，配合起来很顺手。对于大多数静态网页来说，这套组合已经够用了，也不需要太复杂的配置。

本篇关于《Python爬虫实战：requests+BeautifulSoup教程》的介绍就到此结束啦，但是学无止境，想要了解学习更多关于文章的相关知识，请关注golang学习网公众号！