上一篇你抓下了三行小表，算是爬虫入门了；今天上强度：面对一张带表头、几十行、好几列的”真表格”，让程序把表头和数据一格不落地搬下来，还能顺手存成 CSV。手艺还是那套（find + get_text），变的只是”按图索骥”的图更复杂一点。
一、从”三行小表”到”一张大表”
先说今天要解决的真实麻烦。
上一篇的值班表只有三行两列，说难听点，复制粘贴也就十秒钟。但你在工作里真正会碰到的表长这样：学校网站上的全校课程表（几十行、星期一到星期五五六列）、政务网站上的补贴发放公示表（上百行、姓名/金额/银行卡号七八列）、购物网站上的参数对比表（十几行、三个产品列）。
这种表，复制粘贴就不是十秒钟的事了——粘错了行、漏了列、表头和数据对不上，是常有的事。更要命的是它每周都更新，你每周都得重粘一遍。
今天的目标很明确：写一个程序，运行一下，一整张大表原封不动地变成一个 CSV 文件——表头一行不少，数据一行不落，列和列对得齐齐整整。
先给你吃颗定心丸：今天不引入新的库。requests、BeautifulSoup、csv 都是前41篇的老朋友。今天唯一的”新知识”只有一句话：一张真正的表格里，表头和数据是分开住的，抓的时候要分开抓，再拼起来。就这一句。剩下的全是手艺的重新组合——你甚至可以说，今天是”旧手艺的实战演练日”。
二、先看懂”真表格”的解剖图
上一篇的小表长这样（简化版）：
周一 张三
而真实的表格长这样：
日期 值班人 班次 联系电话
10-19 张三 早班 138****0001 10-20 李四 晚班 138****0002 10-21 王五 早班 138****0003
对比一下，多了三样东西，今天全靠它们干活：
和：表格分成了”表头区”和”数据区”，就像一张 Excel 表的第一行是标题、下面才是数据。thead里装标题行，tbody里装数据行。：表头单元格（table header），专门装”这一列叫什么”。数据单元格还是老朋友 。th 是标签，td 是内容——一个是列名，一个是值。 - 行变多了、列变多了：每行从 2 个格子变成 4 个格子，
从 3 行变成 N 行。 用人话说：上一篇的表是”一张便签纸”，今天的表是”一张真正的 Excel”。Excel 有标题行、有数据区、有列名——HTML 表格也一样，就是用
thead/th和tbody/td表达的。类比记忆：把表格想成一个花名册。
thead是封面上印的栏目名（”姓名、部门、工号”），tbody是一页页的具体名单。你整理花名册的时候，肯定是”先把栏目名抄下来当表头，再一条条抄名单”——程序抓表也是这个顺序。这里必须提前打一针疫苗（细节等会儿第五节展开）：如果你用
find_all("td")抓，表头会整个漏掉——因为表头是th不是td。这是今天最高频的坑，先记住它。三、动手：把一张大表完整搬成 CSV
照旧，先用”自己捏的网页”练手，手熟了再上真网站。
准备：一张像样的大表
新建文件
值班表2.html（直接照抄）：2026年10月值班总表
发布日期：2026-10-18
日期 值班人 班次 联系电话 10-19 张三 早班 138****0001 10-20 李四 晚班 138****0002 10-21 王五 早班 138****0003 10-22 赵六 晚班 138****0004 10-23 孙七 早班 138****0005 注意跟上一篇的区别：4 列、表头用
th、数据在tbody里、5 行数据。这就是”真表格”的标准长相。程序：四步搬表
新建
spider2.py：from bs4 import BeautifulSoup import csv # 第1步：拿到源码（先拿本地文件练，一会儿换成真网页） with open("值班表2.html", encoding="utf-8") as f: html = f.read() # 第2步：拆成套娃结构 soup = BeautifulSoup(html, "html.parser") # 第3步：分开抓表头和数据 # 3.1 抓表头：thead 里的所有 th header_cells = soup.find("thead").find_all("th") header = [cell.get_text(strip=True) for cell in header_cells] print("表头是：", header) # 3.2 抓数据：tbody 里的每一行，每行里的所有 td rows = [] for tr in soup.find("tbody").find_all("tr"): cells = tr.find_all("td") row = [cell.get_text(strip=True) for cell in cells] rows.append(row) print(f"共抓到 {len(rows)} 行数据") for row in rows: print(row) # 第4步：存成 CSV with open("值班总表.csv", "w", newline="", encoding="utf-8-sig") as f: writer = csv.writer(f) writer.writerow(header) # 先写表头 writer.writerows(rows) # 再写数据 print("已保存为 值班总表.csv")运行：
python spider2.py预期输出：
表头是： ['日期', '值班人', '班次', '联系电话'] 共抓到 5 行数据 ['10-19', '张三', '早班', '138****0001'] ['10-20', '李四', '晚班', '138****0002'] ... 已保存为 值班总表.csv打开生成的
值班总表.csv——用 Excel 或 WPS 打开，表头一行、数据五行、列对得齐齐整整。一张大表，完完整整搬回家了。逐行拆给你看
代码不长，但每个零件都值得看一眼：
soup.find("thead").find_all("th")：先找”表头区”，再在里面找所有th。注意这个链式写法——find返回的盒子上还能再find_all，意思是在这个盒子里继续找。这样写的好处是：万一页面里有好几个表格（真网站常有的事），你只在”第一个表格的表头区”里找，不会抓串。get_text(strip=True)：比上一篇多了一个strip=True。它的意思是”取文字，顺便把前后的空格、换行都擦掉”。真网页的格子里常有换行和缩进，不加 strip 抓出来的值是" 张三 "这种带空格的，看着一样，比对和筛选的时候全是毛病。for tr in soup.find("tbody").find_all("tr")：一行一行来，每次把一行里的td全取出来变成一个列表，攒进rows。rows就是”列表的列表”——第8篇的字典列表你都玩过了，这个不陌生。csv.writer+writerow/writerows：第25篇学的 CSV 手艺原样复用。writerow写一行（表头），writerows写多行（数据）。注意newline=""不能省，不加它 Windows 上生成的 CSV 会多出空行；utf-8-sig是为了让 Excel 打开中文不乱码——这两个小参数是第25篇讲过的老坑，今天顺手就防了。
换成真网页：还是只改一行
和上一篇一样，把”读文件”换成”发请求”：
import requests resp = requests.get("https://example.com/duty", timeout=10) resp.encoding = resp.apparent_encoding # 防中文乱码，老疫苗 html = resp.text其余一行不动。这就是分层测试的好处：提取逻辑在本地文件上验证过是通的，换真网页只动”取源码”这一步，出错也只可能出在这一步，排查范围缩到最小。
四、跟AI说需求 → 读懂 → 改进
第一步：跟AI说需求
今天的参考需求长这样（注意它比上一篇多了”表头/数据分离”和”输出文件”两个要素）：
“我有一个网页，里面有一张表格，结构是：
里一行是表头（4列：日期、值班人、班次、联系电话）， 里每行是 4 个的数据。请写 Python 代码：用 BeautifulSoup 分别抓出表头和所有数据行，保存成 CSV 文件（表头在第一行），打印抓到的行数。先用本地文件 值班表2.html 测试，代码里留好注释，标出哪一段是’以后换成真网页要改的地方’。” 要素清单：目标（存CSV）、结构（thead/th + tbody/td、几列几行）、输出（文件名、格式）、容错（留注释、打印行数）。四要素齐了，AI 一次就能写对。上一篇练习3你写的”抓全校课表”需求，今天正好用上——如果当时写得够具体，直接粘给 AI 就行。
第二步：读懂AI给的代码
读懂的标准还是”能回答三个问题”：
- 哪一行抓表头？为什么用
th不用td？（表头住在th里，td只装数据） - 哪一行把”一行”变成”一个列表”？（
row = [cell.get_text(strip=True) for cell in cells]） - CSV 文件里，表头是怎么保证在第一行的？（先
writerow(header)再writerows(rows)——顺序决定一切）
能答上这三个，你就读懂了。答不上？把对应那行单独贴给AI：”这行在干什么？用花名册的比喻解释。”
第三步：改进
读懂之后提新要求。今天推荐这两个：
“①现在如果某行数据缺一个格子（
只有3个），列就错位了。帮我加上检查：每行格子数必须和表头列数一样多，不一样就在屏幕上打印警告，标出是第几行、少了哪个。②帮我加一句统计：打印每个’班次’各有多少人（早班X人、晚班Y人）。” 第①个改进用的是第5篇的条件判断 + 第33篇的计数思路；第②个用的是字典计数（第8篇）或者
collections.Counter。看出来了吧：今天没有新知识，改进用的全是老手艺。这就是系列设计的小心思——每隔几篇来一次”纯组合练习”，把散装手艺拧成一股绳。五、四个必踩的坑（先打疫苗）
坑1：
find_all("td")抓不到表头，或者表头行的格子数对不上。表头是th不是td。如果你不分thead/tbody、直接find_all("tr")再find_all("td")，表头那一行会抓出一个空列表（因为它的格子全是th），然后写进 CSV 变成一行空白，列名全丢。疫苗：抓表一定分两路——表头走th，数据走td。顺带记住：万一遇到”偷懒网页”（表头也用td加粗显示），就用find_all(["th", "td"])两样都要，先看源码确认是哪种，别猜。坑2：没加
strip=True，抓出来的值带一堆空格换行。真网页为了排版好看，源码里格子内部常有换行和缩进，比如n 张三n 。不 strip，抓出来是
"n 张三n"，存进 CSV 后肉眼看不出问题，但你一做筛选、比对、去重就全崩了。疫苗：表格提取的get_text一律带strip=True，写成肌肉记忆。坑3：页面上有多个表格，抓错了对象。真网页经常一张页子里塞好几个表（导航表、布局表、数据表……早期网页甚至拿表格排版）。
soup.find("table")抓到的第一个可能根本不是你要的。疫苗：先 F12 在查看器里确认目标表格的id或class（比如class="duty-table"），然后soup.find("table", class_="duty-table")精确定位。定位你来（看源码），写码它来（AI）——上一篇的规矩继续有效。找不到特征？退而求其次：把几个表格都抓下来各自打印前两行，肉眼挑出目标，再回头加定位条件。坑4：合并单元格（rowspan/colspan）让行列错位。公示表里”一等奖 3 人”这种合并格很常见，HTML 里写作
rowspan="3"——一个格子占三行的位置。后果是：接下来两行每行只有 3 个td（而不是 4 个），你按”每行4列”硬拼，数据就错位了。疫苗：今天先学会识别它——如果发现”某些行的格子数和表头列数对不上”，十有八九是合并单元格，别硬写代码硬凑。正确姿势：跟AI说”这个表格有 rowspan/colspan 合并单元格，请帮我写一个能把表格补全成规整行列的函数”，让它帮你展开合并格。这是硬骨头，留给你当练习3的选做题，能啃下来说明你表格提取出师了。六、跟AI协作的正确姿势（抓表格特供版）
- 给AI”表格的源码片段”，而不是整页源码。F12 找到
，右键复制这个元素（Copy element），只把这一段给AI：”表格源码是这样，请写提取代码。”几十行解决战斗，AI 写出来的定位代码也准得多。
- 让AI先写”检查”，再写”提取”。新需求可以这么提：”先写一段代码，打印出这个表格一共有几行、每行几个格子，确认行列整齐之后，再写提取保存的部分。”这叫先勘测后施工，是爬虫的第一美德——行列都不齐就闷头抓，抓回来的是垃圾。
- 让AI解释生成的 CSV 结构：”这个 CSV 是怎么保证表头在第一行的？writerow 和 writerows 有什么区别？”——第25篇的复习点，值得再问一遍。
- 改完先跑本地文件，再跑真网页。老规矩：本地文件跑通 = 逻辑没问题；换真网页崩了 = 是取源码/定位的问题。分层测试，永远省你最多的时间。
七、今日小练习
练习1：跑通大表搬运。照抄
值班表2.html和spider2.py，运行并确认生成的值班总表.csv在 Excel 里打开是”1行表头 + 5行数据、4列对齐”。然后改 HTML：加一行周六的值班数据，重新运行，确认 CSV 变成 6 行数据（不用改一行代码）。提示：这题练的是”程序抓的是文件的当前内容”。如果行数没变，检查你保存的是不是同一个文件、跑的是不是同一个脚本。
练习2：给表格”数个数”。修改
spider2.py，在保存 CSV 之前打印两条统计：一共几列（用表头的长度算）、一共几行数据。再加一条”体检”：遍历每一行，如果某行的格子数不等于列数，打印”第N行格子数不对，有M个格子”。提示：列数 =
len(header)，行数 =len(rows)；体检就是循环里一句if len(row) != len(header):（第5篇的手艺）。写完手动把 HTML 里某行删掉一个测试，看警告能不能报出来——故意弄坏来测试，是程序员的基本功。 练习3（动脑+选做）：把上一篇的”全校课表”需求落地。拿出你练习3写的需求，粘给AI，让它写完整代码。课表比值班表多一个难点：表头是”星期一~星期五”，左边还有一列”第1~6节课”（就是个每行都有的普通格子，注意它也算一列）。目标：生成的 CSV 第一行是”节次/星期一/…/星期五”。
提示：把”每行第一个
是节次”这个信息明确写进需求里。选做挑战：如果 AI 给的代码没处理”某天没课的空格子”（ 下篇预告
下一篇（第43篇）：爬虫进阶 — 一个人干完一个部门的活儿。今天你搬的是一张静态大表，下一篇上真正的强度：一个网站的数据分散在好几页（分页），抓回来的东西有重复（去重），中途网络抽风、网页改版报错（异常处理）。三样手艺一上，你的爬虫就从”能跑”进化到”能干活”。今天先把你”行列整齐、一格不落”的手艺练扎实——下一篇的地基就打在这上面。
评论
发表回复