答案：编写Python爬虫需先分析网页结构，用requests发送请求获取HTML，再用BeautifulSoup解析提取数据，最后清洗并存储为CSV或数据库；以豆瓣电影Top250为例，通过设置headers、分页爬取、解析class标签获取电影名、评分等信息，保存为CSV文件，并注意遵守robots协议、防止IP被封，使用代理或延时应对反爬，确保编码为utf-8避免乱码。
写一个Python爬虫并不复杂，关键在于理解网页结构、掌握请求处理和数据提取方法。下面通过清晰的步骤和一个实战案例，带你快速上手Python网络爬虫。
一、Python爬虫的基本编写步骤
1. 分析目标网站结构
在动手之前，先打开目标网页，按F12查看页面源码，确认你要抓取的数据是否直接存在于HTML中。如果数据是通过JavaScript动态加载的，可能需要使用Selenium等工具。
2. 发送HTTP请求获取页面内容
使用requests库向目标URL发送GET请求，获取网页的HTML源码。注意设置请求头（headers），模拟浏览器行为，避免被反爬机制拦截。
3. 解析HTML提取所需数据
常用BeautifulSoup或lxml解析HTML，通过标签、class、id等定位元素，提取文本、链接、图片等内容。
4. 数据清洗与存储
将提取的数据进行去重、格式化处理，然后保存为CSV、JSON或存入数据库，便于后续分析。
5. 遵守robots.txt与合理控制请求频率
检查网站的robots.txt文件，尊重爬虫协议，避免高频请求导致IP被封。
二、实战案例：爬取豆瓣电影Top250
我们以爬取豆瓣电影Top250为例，获取电影名称、评分和评价人数。
1. 安装依赖库
pip install requests pip install beautifulsoup4
2. 编写爬虫代码
Windows 命令行编码与兼容规范。涵盖 GBK/UTF-8 编码、PowerShell/pwsh 互操作、Python/Node.js、Git 配置及代码生成规则。适用于 Windows 10/11 + MSYS2/Git Bash 环境下的所有命令行操作。
立即学习“Python免费学习笔记（深入）”；
import requests
from bs4 import BeautifulSoup
import csv
<h1>设置请求头</h1><p>headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36'
}</p><h1>打开CSV文件准备写入</h1><p>with open('douban_top250.csv', 'w', encoding='utf-8', newline='') as f:
writer = csv.writer(f)
writer.writerow(['排名', '电影名', '评分', '评价人数'])</p><pre class='brush:python;toolbar:false;'># 分页爬取（每页25条，共10页）
for i in range(0, 250, 25):
url = f'https://www.php.cn/link/fe4d301c85d0283539fa913502072ad7?start={i}'
response = requests.get(url, headers=headers)
soup = BeautifulSoup(response.text, 'html.parser')
# 查找所有电影条目
items = soup.find_all('div', class_='item')
for item in items:
rank = item.find('em').text
title = item.find('span', class_='title').text
rating = item.find('span', class_='rating_num').text
people = item.find('div', class_='star').find_all('span')[-1].text[:-3] # 去掉“人评价”
writer.writerow([rank, title, rating, people])
print(f'已爬取第 {i//25 + 1} 页')print("爬取完成，数据已保存到 douban_top250.csv")
3. 运行结果
程序运行后会生成douban_top250.csv文件，包含电影排名、名称、评分和评价人数，可用于数据分析或可视化。
三、常见问题与应对策略
- IP被封？ 使用代理IP池，或降低请求频率（time.sleep随机延时）。
- 数据为空？ 检查CSS选择器是否正确，确认网页是否异步加载。
- 中文乱码？ 确保文件保存和response.encoding设置为utf-8。
- 反爬机制？ 添加cookies、使用Session保持会话，或考虑Selenium模拟浏览器操作。
基本上就这些。掌握基础流程后，可以尝试爬取新闻、商品、评论等更多类型的数据。关键是多练、多看网页结构、灵活调整策略。
