写爬虫这件事，爬虫很多人以为门槛在代码。爬虫其实不是爬虫。真正卡住新手的爬虫是目标网站的反爬策略，以及你自己对HTTP协议的爬虫理解程度。我见过太多人照着教程敲完requests.get()，爬虫一跑就报403，爬虫然后卡在那里不知道下一步该干嘛。爬虫

先说说最基础的爬虫场景。假设你要抓一个静态博客的爬虫文章列表，用requests加BeautifulSoup就够了。爬虫代码大概长这样：

import requests from bs4 import BeautifulSoup url = "https://example.com/blog" headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64)"} resp = requests.get(url,爬虫 headers=headers) soup = BeautifulSoup(resp.text, "html.parser") for item in soup.select(".post-title"): print(item.get_text(strip=True)) 

这段代码能跑通的前提是：网站没有做任何反爬。但现实是爬虫，稍微有点规模的爬虫站点都会检查User-Agent，甚至校验Referer和Cookie。爬虫我上个月想抓某技术论坛的帖子标题，不带UA直接请求，返回的是空列表。加上UA之后，前20条出来了，第21条开始全是重复内容——人家做了分页懒加载，数据根本不在初始HTML里。

这时候就得换思路。打开浏览器的开发者工具，切到Network面板，刷新页面，找XHR或Fetch请求。你会发现真正的数据接口往往返回JSON，比解析HTML省事得多。比如那个论坛，实际请求的是/api/posts?page=2&limit=20，带上正确的Referer就能拿到干净的数据。用requests直接请求这个接口，连BeautifulSoup都省了。

但别高兴太早。有些接口带签名参数，比如sign=md5(timestamp+secret)。你翻遍前端JS也找不到secret，因为它可能藏在某个.js文件里，被混淆过。我试过用js2py执行那段混淆代码，结果卡在环境检测上——代码里判断了window对象是否存在。最后用playwright开无头浏览器，让页面自己跑完JS，再拦截网络请求拿数据。慢是慢了点，但稳定。

说到playwright，它比selenium轻量，API也更现代。启动一个浏览器实例大概两秒，之后每个页面可以复用上下文。有个坑要注意：默认的headless=True模式会被某些网站识别出来。加个--disable-blink-features=AutomationControlled参数，再配合context.add_init_script()覆盖navigator.webdriver属性，基本能绕过大部分检测。不过道高一尺魔高一丈，Cloudflare的Turnstile验证就不是靠改几个属性就能过的。

频率控制是另一个容易翻车的地方。我写过一个抓取电商价格的脚本，一开始没加延迟，跑了三百多个请求后IP被封了24小时。后来改成每请求间隔random.uniform(1.5, 3.5)秒，再挂上retry装饰器处理超时，连续跑了一周没出问题。别迷信代理池，免费代理十个里九个不能用，付费的也得挑，有些机房IP段早被拉黑了。

数据存哪儿也值得琢磨。小规模用csv或json文件就行，超过几万条建议上sqlite。我习惯用sqlalchemy建表，字段类型明确，后面做去重和增量更新都方便。比如抓新闻列表，用URL的MD5当主键，INSERT OR IGNORE一执行，重复数据自动跳过。

最后说个真实教训。有次我抓一个政府公开数据网站，页面结构规整，请求也没难度，半小时就写完了。跑完发现数据对不上——网页上显示的是“截至2024年3月”，接口返回的却是2023年的旧数据。原来前端做了缓存，接口有?v=参数控制版本。这种问题跟技术无关，纯粹是没仔细看请求参数。爬虫写多了你会明白，代码只占三成，剩下七成是观察、试错和跟网站斗智斗勇。

(责任编辑：百科)