掌握Python爬虫需四步：先用requests发送HTTP请求获取HTML源码，注意添加User-Agent；再用BeautifulSoup或lxml解析HTML提取数据；若页面为JavaScript动态加载，则使用Selenium模拟浏览器；最后将数据保存为CSV或JSON，并通过设置请求间隔、代理IP等应对反爬策略。
Python爬虫抓取网页内容的核心在于发送HTTP请求、解析HTML结构并提取所需数据。整个过程并不复杂，只要掌握几个关键步骤和常用工具，就能高效完成网页抓取任务。
1. 发送HTTP请求获取网页源码
要抓取网页内容，第一步是向目标网址发送请求，获取服务器返回的HTML源码。最常用的库是requests，它简洁易用，适合大多数静态网页抓取场景。
基本操作如下：
import requestsurl = "https://www.php.cn/link/b05edd78c294dcf6d960190bf5bde635" headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36" }
response = requests.get(url, headers=headers) response.encoding = response.apparent_encoding # 自动识别编码 html_content = response.text
注意添加User-Agent等请求头，避免被网站识别为爬虫而拒绝访问。对于需要登录或携带Cookie的页面，可使用session保持会话状态。
立即学习“Python免费学习笔记（深入）”；
2. 解析HTML提取所需数据
获取HTML后，下一步是解析内容并提取目标信息。常用工具有BeautifulSoup和lxml，配合使用能快速定位标签。
示例：使用BeautifulSoup提取所有标题
from bs4 import BeautifulSoupsoup = BeautifulSoup(html_content, 'html.parser') titles = soup.find_all('h2') # 查找所有h2标签 for title in titles: print(title.get_text().strip())
也可以通过class、id或属性筛选元素，比如：
soup.find('div', class_='content')
3. 处理动态加载内容（JavaScript渲染）
如果网页内容由JavaScript动态生成（如Ajax加载），仅用requests无法获取完整数据。这时需要使用Selenium或Playwright模拟浏览器行为。
使用Selenium的基本流程：
from selenium import webdriver from selenium.webdriver.common.by import Bydriver = webdriver.Chrome() driver.get("https://www.php.cn/link/b05edd78c294dcf6d960190bf5bde635")
等待元素加载
driver.implicitly_wait(5) elements = driver.find_elements(By.CLASS_NAME, "item-title") for elem in elements: print(elem.text) driver.quit()
这种方式能真实还原用户浏览体验，适合抓取SPA（单页应用）类网站。
4. 数据保存与反爬策略应对
抓取到数据后，通常需要保存为CSV、JSON或存入数据库。同时要注意合理控制请求频率，避免对目标网站造成压力。
常见反爬应对方法包括：
- 设置合理的请求间隔（time.sleep）
- 使用随机User-Agent池
- 通过代理IP轮换IP地址
- 识别并处理验证码（必要时引入打码平台）
保存数据示例（写入CSV）：
import csvwith open('data.csv', 'w', newline='', encoding='utf-8') as f: writer = csv.writer(f) writer.writerow(['Title']) for title in titles: writer.writerow([title.get_text().strip()])
基本上就这些。掌握requests + BeautifulSoup适用于大多数静态页面，遇到动态内容再上Selenium。关键是理解网页结构和网络请求机制，合理合法地抓取数据。不复杂但容易忽略细节。
