python网页爬取推荐requests+beautifulsoup组合，需加headers防403、手动设编码防乱码、用开发者工具精确定位标签，配合fake_useragent随机UA、time.sleep控频、检查robots.txt，并以UTF-8-SIG编码保存csv/jsON。
用Python爬网页不难，关键在选对工具、避开反爬、处理好编码和结构。下面直接说实用步骤，不绕弯。
选对库：requests + BeautifulSoup 最适合新手
requests负责发请求拿html，BeautifulSoup负责解析提取内容。不用selenium（太重），也不推荐urllib（写起来麻烦）。
- 安装命令：pip install requests beautifulsoup4
- requests.get()记得加headers，否则很多网站直接返回403（模拟浏览器访问）
- 遇到中文乱码？先看响应头的response.encoding，不对就手动设为‘utf-8’或‘gbk’
定位数据：用开发者工具找对标签和属性
别猜！按F12打开浏览器开发者工具，右键目标文字 → “检查”，看它在哪层
、里，有没有class或id。
- 用soup.find(‘div’, class_=’title’)比soup.select(‘.title’)更直观，初学建议优先用find/find_all
- 如果class名带空格或动态变化（如class=”item active”），改用soup.find(‘div’, attrs={‘class’: re.compile(r’item’)})，配合re模块
- 表格数据常用tr > td路径，用soup.select(‘table tr’)逐行取再嵌套循环
应对简单反爬：基础防护三招够用
大多数小网站只做基础检测，不需要登录或跑JS，这三步覆盖90%场景：
立即学习“Python免费学习笔记（深入）”；
- 加随机User-Agent：用fake_useragent库（pip install fake-useragent），每次请求换一个UA
- 控制请求频率：time.sleep(1) 比狂刷强，既保护对方服务器，也防IP被临时封
- 检查robots.txt：比如https://example.com/robots.txt，尊重网站规则是基本素养
保存结果：从列表到CSV或json，一步到位
爬下来的数据别只print，要存下来才真正有用。
- 结构简单（如标题+链接）→ 直接用csv.writer写入CSV，excel能直接打开
- 含嵌套字段（如商品有价格、评分、评论数）→ 用json.dump()存为JSON，方便后续用pandas分析
- 避免编码报错：open()时一定加encoding=’utf-8-sig’（windows下Excel才不乱码）
基本上就这些。不复杂但容易忽略细节，动手试两三个真实页面，比看十篇教程都管用。