Python利用requests与BeautifulSoup实现网页数据抓取

键盘旁的猫

发布时间：2026-10-13 | 4人浏览过

原创

本文详细介绍如何使用Python的requests库发送HTTP请求获取网页内容，并结合BeautifulSoup库解析HTML结构。通过百度首页及51job招聘网站两个具体案例，演示了处理编码问题、设置请求头防反爬以及提取特定文本信息的完整流程，帮助开发者掌握基础的网络数据采集技能。

Python网页抓取基础：requests与BeautifulSoup

requests库是一款轻量级且易于使用的第三方Python库，专门用于处理各类HTTP网络请求。

在获取网页内容时，get()方法是最常用的手段，其基础调用方式如下所示。

获取HTML页面并将其转换为字符串后，通常需要对页面结构进行解析。此时，我们常借助beautifulsoup4库来解析和处理HTML及XML文档。

以下代码展示了如何爬取百度首页信息并简单输出其界面内容。


import requests
from bs4 import BeautifulSoup
r=requests.get('http://www.baidu.com')
r.encoding=None
result=r.text
bs=BeautifulSoup(result,'html.parser')
print(bs.title)
print(bs.title.text)

实战案例：51job薪资数据抓取与编码处理


import requests
from bs4 import BeautifulSoup

#用来解决乱码现象，所以编写爬取信息的代码最好带上（输出出现乱码或者UnicodeEncodeError：'gbk'codec can't encode character） 
import io   
import sys
sys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030')

#用来防止反爬取，可以了解一下
headers={"User-Agent" : "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9.1.6)",
　　"Accept" : "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
　　"Accept-Language" : "en-us",
　　"Connection" : "keep-alive",
　　"Accept-Charset" : "GB2312,utf-8;q=0.7,*;q=0.7"
}

#获取51job网站的基本信息
r=requests.get('https://search.51job.com/list/000000,000000,0000,00,9,99,python,2,1.html?lang=c&stype=&postchannel=0000&workyear=99&cotype=99&degreefrom=99&jobterm=99&companysize=99&providesalary=99&lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=&dibiaoid=0&address=&line=&specialarea=00&from=&welfare=')
r.encoding=r.apparent_encoding
result=r.text
bs=BeautifulSoup(result,'html.parser')
print(bs.prettify())

u1=bs.find_all('u1',attrs={'class':'item_con_list'})  #这部分代码便是我们爬取的目标，51job网站上关于python职业的薪资
print(len(u1))
li=bs.find_all('span',attrs={'class':'t4'})
for l in li:
  print(l.text)

上述代码演示了如何从51job网站抓取与Python相关职位的薪资数据。