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：
立即学习“Python免费学习笔记（深入）”；
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。
