首先明确页面层级结构，再通过requests+beautifulsoup或scrapy框架逐层抓取。1. 分析URL规律和html结构；2. 用requests获取列表页并提取详情链接；3. 遍历链接解析详情内容；4. Scrapy中使用yield Request实现多级跳转；5. 注意设置请求头、间隔、异常处理与反爬策略。
抓取多级页面是python爬虫中常见的需求，比如从列表页进入详情页、从一级分类跳转到二级分类等。要实现多层级网页数据抓取，关键在于理清页面之间的跳转逻辑，并逐层提取所需信息。下面介绍几种常用方法和实现思路。
1. 明确页面层级结构
在开始编码前，先分析目标网站的页面结构。典型的多级结构如下：
- 第一层：主页面或分类列表（如新闻列表）
- 第二层：详情页面链接（如单条新闻页）
- 第三层（可选）：评论页、作者页等更深层内容
通过浏览器开发者工具查看每层页面的URL规律和HTML结构，确定如何提取链接与数据。
2. 使用requests + BeautifulSoup逐层抓取
这是最基础也是最灵活的方式。利用requests发送http请求，用BeautifulSoup解析HTML内容。
立即学习“Python免费学习笔记（深入）”；
示例流程：
- 请求首页，提取所有详情页的URL链接
- 遍历这些链接，逐个请求并解析详情页内容
- 如有需要，继续从详情页跳转到下一层
代码片段示例：
import requests from bs4 import BeautifulSoup <h1>第一层：获取列表页中的详情链接</h1><p>list_url = "<a href="https://www.php.cn/link/ca14cd6c279d15639a51915b4b7917bc">https://www.php.cn/link/ca14cd6c279d15639a51915b4b7917bc</a>" res = requests.get(list_url) soup = BeautifulSoup(res.text, 'html.parser')</p><p>detail_urls = [a['href'] for a in soup.select('.news-list a')]</p> <div class="aritcle_card"> <a class="aritcle_card_img" href="/ai/2358"> <img src="https://img.php.cn/upload/ai_manual/001/246/273/176127600344295.png" alt="面多多"> </a> <div class="aritcle_card_info"> <a href="/ai/2358">面多多</a> <p>面试鸭推出的AI面试训练平台</p> <div class=""> <img src="/static/images/card_xiazai.png" alt="面多多"> <span>30</span> </div> </div> <a href="/ai/2358" class="aritcle_card_btn"> <span>查看详情</span> <img src="/static/images/cardxiayige-3.png" alt="面多多"> </a> </div> <h1>第二层：抓取每个详情页的内容</h1><p>for url in detail_urls: detail_res = requests.get(url) detail_soup = BeautifulSoup(detail_res.text, 'html.parser') title = detail_soup.find('h1').text content = detail<em>soup.find('div', class</em>='content').text print(title, content)
3. 使用Scrapy框架高效处理多级抓取
对于复杂项目，推荐使用Scrapy框架，它原生支持请求链式调用，适合处理多层级跳转。
核心机制是通过yield scrapy.Request()将解析出的链接作为新请求加入队列，并传递回调函数和元数据。
示例Spider结构：
import scrapy <p>class MultiLevelSpider(scrapy.Spider): name = 'multilevel' start_urls = ['<a href="https://www.php.cn/link/ca14cd6c279d15639a51915b4b7917bc">https://www.php.cn/link/ca14cd6c279d15639a51915b4b7917bc</a>']</p><pre class="brush:php;toolbar:false;"><pre class="brush:php;toolbar:false;">def parse(self, response): # 提取详情页链接 for href in response.css('.news-list a::attr(href)').getall(): yield response.follow(href, self.parse_detail) def parse_detail(self, response): # 解析详情页 title = response.css('h1::text').get() content = response.css('.content::text').get() # 可在此基础上继续跳转至第三层 comment_url = response.css('.comment-link::attr(href)').get() if comment_url: yield response.follow(comment_url, self.parse_comment, meta={'title': title}) def parse_comment(self, response): # 解析评论页，同时获取之前传递的数据 title = response.meta['title'] comments = response.css('.comment p::text').getall() yield { 'title': title, 'comments': comments }
4. 注意事项与优化建议
实际抓取过程中需注意以下几点，避免被封IP或数据遗漏：
- 设置合理的User-Agent和请求间隔（time.sleep），模拟真实访问行为
- 使用Session保持会话状态，提高效率
- 对异常链接做容错处理（try-except），防止程序中断
- 避免过度并发，遵守robots.txt协议
- 考虑使用代理池应对反爬机制
基本上就这些。掌握页面跳转逻辑，结合合适的工具，就能稳定抓取多级网页数据。关键是分步处理、层层递进，别一次性想把所有逻辑塞进一个函数里。