企业官网建设流程全解析

1. 项目概述：为什么爬取电影数据不是“写个脚本就完事”的小事

你打开豆瓣、IMDb 或烂番茄，看到一部电影的评分、导演、演员表、上映年份、剧情简介、用户短评——这些信息对普通观众只是快速决策的参考，但对影视行业从业者、市场分析师、内容推荐算法工程师、甚至独立影评人来说，它们是构建数据看板、训练模型、验证假设、发现趋势的原始燃料。而Web Scraping Movie Data with Beautiful Soup library in python这个标题，表面看是“用 Python 的 BeautifulSoup 库抓电影数据”，实则是一条贯穿数据获取、结构清洗、语义理解、质量校验的完整轻量级数据工程链路。我带团队做过 7 轮影视类数据采集项目，从院线排片预测到流媒体热度归因，最常被低估的环节，恰恰就是这“第一公里”——不是不会写requests.get()，而是不知道该抓什么、为什么这么抓、抓回来的数据能不能直接进分析管道。BeautifulSoup 在这里不是万能锤，它是个精准的“HTML 解剖刀”：不处理 JavaScript 渲染，不管理会话状态，不自动翻页，但它能把<div class="subject clearfix">里嵌套三层的<span property="v:summary">文本原样剥出来，连多余的换行和空格都保留得清清楚楚——这种“可控的笨拙”，反而是影视数据采集中最需要的特质。因为电影数据天然具有强结构化特征（导演/编剧/主演/类型/时长/分级/语言），又混杂大量非结构化噪声（用户评论里的口语化表达、海报 alt 文本的冗余描述、评分页面的动态加载占位符）。所以这个项目真正解决的，不是“怎么把网页变文本”，而是如何在 HTML 的混沌中，用最小认知负荷锁定高价值字段，并让每次抓取结果具备跨时间、跨页面、跨平台的可比性。适合谁？刚学完 Python 基础想练手的真实项目的新手；需要快速验证某个电影市场假设（比如“2023 年华语爱情片平均片长是否缩短”）的运营同学；或是正在搭建个人影单分析工具、但不想被 Selenium 的启动开销拖慢迭代速度的独立开发者。它不承诺全自动、全平台、零维护，但它承诺：你改三行代码就能跑通一个真实网站，改五行配置就能切换到新目标，且每一步输出都经得起人工核对。

2. 核心思路拆解：为什么选 BeautifulSoup 而不是 Scrapy、Selenium 或 Requests-html

2.1 技术栈选型背后的三重现实约束

很多人一上来就想上 Scrapy：分布式、中间件丰富、Pipeline 灵活。但我在实际项目中发现，90% 的电影数据采集需求根本用不到它的复杂度。Scrapy 的优势在于“持续、大规模、多域名、需登录”的工业级爬取，而绝大多数影视数据需求是“单次、小批量、静态 HTML 为主、目标明确”。举个真实例子：我们曾为某短视频平台做“经典老片二创热度分析”，需要抓取 1980–2000 年间 500 部华语电影的豆瓣条目。如果用 Scrapy，光是配置ROBOTSTXT_OBEY = False、DOWNLOAD_DELAY、USER_AGENT中间件、自定义Spider类，就要花掉 2 小时调试；而用 BeautifulSoup + requests，核心逻辑 15 行搞定，首次运行 4 分钟就拿到全部基础字段（片名、年份、导演、主演、评分、短评数）。这不是技术降级，而是成本-收益的理性匹配。

Selenium 呢？它能渲染 JS，听起来很美。但电影详情页的 JS 主要干两件事：加载懒加载海报、触发“更多短评”按钮。前者对数据采集毫无价值（我们只关心文字信息），后者完全可以用?start=20&filter=这类 URL 参数模拟。而 Selenium 启动 ChromeDriver 的开销是 requests 的 8–12 倍，内存占用高，失败率也高（浏览器崩溃、超时、元素找不到）。我统计过 3 个项目的失败日志：Selenium 因WebDriverException导致的中断占比 37%，而 requests + BeautifulSoup 的失败几乎全来自网络超时或目标站反爬升级——后者更容易定位和修复。

Requests-html 是个有趣的选择，它封装了 PyQuery 和 lxml，语法更接近 jQuery。但问题在于：它默认启用 JS 渲染（即使你不需要），且文档更新滞后。去年我们尝试用它抓取 IMDb 的新设计页面，发现其内置的html.render()方法在无头模式下无法正确加载评分组件，最终退回 requests + BeautifulSoup 手动解析<span class="sc-7ab21ed2-1 jGRxWM">8.2</span>——简单、直接、可控。

2.2 BeautifulSoup 的不可替代性：HTML 解析的“外科手术精度”

BeautifulSoup 的核心价值，在于它对 HTML 结构的“宽容解析”与“路径精确定位”的平衡。电影网站的 HTML 通常有三大顽疾：

• class 名动态化：豆瓣新版用class="ll"表示导演，但ll是“link list”的缩写，毫无语义；IMDb 用class="ipc-metadata-list-item__label"，但这个 class 在不同页面层级会重复出现。
• DOM 嵌套深度不一致：同一部电影的“类型”字段，可能在<div class="info">下第 3 层<span>，也可能在<p class="pl">下第 2 层<a>，取决于导演是否有多重身份（如“导演/编剧/制片人”）。
• 文本污染严重：豆瓣的“上映日期”是<span class="pl">上映日期:</span> 2023-06-28(中国大陆)，中间有中文冒号和括号；IMDb 的“片长”是<li><span>Runtime</span><span>124 min</span></li>，需要剥离<span>标签只取文本。

BeautifulSoup 的find()和select()方法，配合正则和字符串处理，能优雅应对这些场景。比如抓取豆瓣导演：

# 不依赖 class 名，而是找“导演:”文字后的第一个 <a> 标签 director_elem = soup.find(text=re.compile(r'导演[:：]\s*')) if director_elem: director = director_elem.parent.find_next('a').get_text(strip=True)

这段代码不关心class="ll"是否存在，也不怕<a>嵌套在<span>或<div>里——它基于语义关系（“导演:”后紧跟的链接）定位，鲁棒性远超纯 CSS 选择器。这才是电影数据采集最需要的：用业务逻辑驱动解析，而非用 HTML 结构绑定解析。

2.3 为什么必须搭配 requests 而非 urllib

requests 是事实标准，但新手常忽略它的关键优势：连接池复用和会话保持。电影数据采集往往需要访问同一域名下的多个页面（如先抓列表页获取电影 ID，再抓详情页），requests 的Session对象能自动复用 TCP 连接，减少握手开销。实测对比：用requests.get()抓取 100 个豆瓣页面，平均耗时 42 秒；用session.get()，耗时降至 28 秒，性能提升 33%。更重要的是，Session能自动管理 Cookie，这对需要登录态的页面（如豆瓣的“想看”列表）至关重要。urllib 没有内置会话管理，每次请求都是全新连接，代码冗长且易出错。

提示：不要在循环里反复创建requests.Session()实例。正确做法是全局创建一次，复用整个采集过程。我见过太多新手在 for 循环里写with requests.Session() as s:，导致每次请求都新建会话，性能暴跌。

3. 核心细节解析：从 HTML 到结构化数据的七道过滤工序

3.1 目标网站选择策略：为什么优先选豆瓣，次选 IMDb，慎选烂番茄

电影数据源不是越多越好，而是越“结构稳定、字段完整、反爬宽松”越好。我们按三个维度给主流网站打分（1–5 分）：

所以实战中，我的建议是：以豆瓣为第一数据源，用 IMDb 编号做交叉验证，烂番茄仅作补充。比如抓取《奥本海默》时，豆瓣提供中文片名、内地票房、豆瓣评分、短评热词；IMDb 提供全球票房、制作公司、技术规格（IMAX/胶片格式）；烂番茄只提供“新鲜度”百分比。三者拼起来，才是完整的商业分析视图。

3.2 字段提取的黄金法则：从“能抓到”到“能用好”的质变

很多教程止步于“抓到导演名字”，但真实项目中，导演字段必须满足三个条件：可去重、可关联、可分析。这意味着不能直接存"克里斯托弗·诺兰"，而要标准化为{"name": "Christopher Nolan", "id": "nm0634240", "role": "director"}。BeautifulSoup 本身不提供标准化能力，但它的解析结果是标准化的前提。以下是关键字段的处理逻辑：

• 导演/编剧/主演：

  • 步骤 1：用soup.select('div#info span.pl')定位所有带冒号的标签（“导演:”、“编剧:”、“主演:”）
  • 步骤 2：对每个标签，用.parent.find_next_siblings('a')获取后续所有<a>链接
  • 步骤 3：对每个<a>，提取href中的 ID（如/celebrity/1000001/→1000001）和text（去空格、去换行）
  • 步骤 4：用re.sub(r'[^\w\s]', '', text)清洗中文标点，避免"诺兰 "（带全角空格）和"诺兰"被视为不同人

• 上映日期：

  • 豆瓣格式："2023-06-28(中国大陆)"、"2023-07-21(美国)"、"2023-08-11(中国大陆 网络)"
  • 正确解析：用re.findall(r'(\d{4}-\d{2}-\d{2})\(([^)]+)\)', text)提取日期和区域，生成[{"date": "2023-06-28", "region": "中国大陆"}]
  • 错误做法：直接split('(')[0].strip()，会丢失区域信息，且当遇到"2023年6月28日(中国大陆)"（中文数字）时失效

• 评分与评价人数：

  • 豆瓣：<strong class="ll rating_num" property="v:average">8.8</strong>和<span property="v:votes">1,234,567</span>
  • 关键细节：v:votes的数字含千分位逗号，必须int(votes.replace(',', ''))；v:average可能为空（新片未开分），需设默认值0.0

注意：永远不要相信property="v:average"的值是数字。我踩过的坑：某次抓取发现v:average是"暂无评分"字符串，导致float()报错。正确写法是try: score = float(elem.text.strip()) except: score = 0.0。

3.3 反爬应对的务实主义：不硬刚，只绕行

BeautifulSoup 本身不处理反爬，但它的轻量特性让我们能快速试错。豆瓣的反爬机制主要有三层：

• User-Agent 检查：拒绝python-requests/2.x默认 UA。解决方案：随机 UA 池，我常用fake_useragent库，但生产环境更推荐硬编码 3–5 个真实 UA（Chrome、Firefox、Safari 最新版本），避免 fake_useragent 的网络请求开销。
• 请求频率限制：连续请求 > 10 次/分钟，IP 会被临时封禁（返回 403）。解决方案：time.sleep(random.uniform(8, 15))，睡眠时间设为 8–15 秒，既避开阈值，又不至于太慢。
• Cookie 依赖：未登录用户访问某些页面（如短评列表）会跳转到登录页。解决方案：用session.cookies.set()预置一个有效 Cookie（从浏览器复制dbcl2字段），比模拟登录简单可靠。

IMDb 更棘手，它用 Cloudflare 的cf_clearancecookie。但我们发现：只要不高频请求，Cloudflare 不会主动挑战。我们的策略是：单 IP 每天抓取 < 200 页，UA 固定为 Chrome 115，不带任何可疑 header（如X-Requested-With），成功率 > 95%。真遇到 challenge，就手动复制cf_clearance值，这是比破解 JS 挑战更高效的“人机协作”。

4. 实操全流程：从零开始抓取豆瓣 Top 250 电影的完整代码与现场记录

4.1 环境准备与依赖安装：最小可行配置

别一上来就pip install scrapy selenium beautifulsoup4 requests全装。电影数据采集只需四样：

pip install beautifulsoup4 requests fake-useragent lxml

• beautifulsoup4：核心解析器
• requests：HTTP 客户端
• fake-useragent：生成随机 UA（开发用，生产建议硬编码）
• lxml：BS4 的底层解析器，比默认的html.parser快 3–5 倍，且对破损 HTML 更宽容

实操心得：lxml在 Windows 上安装可能报错，直接pip install lxml‑4.9.3‑cp39‑cp39‑win_amd64.whl（去 Christoph Gohlke 的非官方二进制库 下载对应版本）。Mac 用户用brew install libxml2 libxslt再 pip 安装即可。

4.2 第一步：解析豆瓣 Top 250 列表页，提取 250 部电影的详情 URL

豆瓣 Top 250 的 URL 是https://movie.douban.com/top250?start=0&filter=，每页 25 部，共 10 页。关键是要找到电影链接的规律。查看页面源码，每部电影的<div class="item">包含：

<div class="item"> <div class="pic"> <a href="https://movie.douban.com/subject/1292052/"> <!-- 这就是详情页 URL --> <img width="75" alt="肖申克的救赎" src="https://imgX.doubanio.com/view/photo/s_ratio_poster/public/p480747492.jpg"> </a> </div> <div class="info"> <div class="hd"> <a href="https://movie.douban.com/subject/1292052/" class=""> <span class="title">肖申克的救赎</span> <span class="other">&nbsp;/&nbsp;The Shawshank Redemption</span> </a> </div> </div> </div>

注意：<a>标签在<div class="pic">和<div class="hd">里各出现一次，但href值相同。我们选<div class="pic">下的<a>，因为它的位置更稳定（<div class="hd">里可能有多个<a>）。

Python 代码实现：

import requests from bs4 import BeautifulSoup import time import random def get_movie_urls(): urls = [] headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/115.0.0.0 Safari/537.36' } session = requests.Session() session.headers.update(headers) for start in range(0, 250, 25): # 0, 25, 50, ..., 225 url = f'https://movie.douban.com/top250?start={start}&filter=' try: resp = session.get(url, timeout=10) resp.raise_for_status() soup = BeautifulSoup(resp.text, 'lxml') # 定位所有 .pic 下的 a 标签 for item in soup.select('div.item'): a_tag = item.select_one('div.pic a') if a_tag and a_tag.get('href'): urls.append(a_tag['href']) print(f'已获取第 {start//25 + 1} 页的 {len(urls[-25:])} 个 URL') time.sleep(random.uniform(8, 12)) # 控制请求间隔 except Exception as e: print(f'获取第 {start//25 + 1} 页失败: {e}') continue return urls # 运行 movie_urls = get_movie_urls() print(f'共获取 {len(movie_urls)} 个电影 URL')

实测结果：10 页全部成功，耗时约 2 分 15 秒。movie_urls是一个包含 250 个字符串的列表，每个字符串形如'https://movie.douban.com/subject/1292052/'。

4.3 第二步：逐个抓取详情页，提取结构化字段

现在有了 250 个 URL，下一步是并发抓取。但别急着上concurrent.futures——豆瓣对并发请求极其敏感。我们的策略是：单线程 + 随机延迟 + 失败重试。

import re import json from urllib.parse import urljoin def parse_movie_page(url, session): try: resp = session.get(url, timeout=15) resp.raise_for_status() soup = BeautifulSoup(resp.text, 'lxml') # 片名（主标题） title_elem = soup.select_one('h1 span[property="v:itemreviewed"]') title = title_elem.get_text(strip=True) if title_elem else "" # 年份（h1 后的 span） year_elem = soup.select_one('h1 span.year') year = re.search(r'\((\d{4})\)', year_elem.get_text()) if year_elem else None year = year.group(1) if year else "" # 评分与评价人数 rating_elem = soup.select_one('strong.ll.rating_num') rating = float(rating_elem.get_text(strip=True)) if rating_elem and rating_elem.get_text(strip=True).replace('.', '').isdigit() else 0.0 votes_elem = soup.select_one('span[property="v:votes"]') votes = int(votes_elem.get_text(strip=True).replace(',', '')) if votes_elem else 0 # 导演、编剧、主演（通用解析函数） def extract_credits(label_text): elem = soup.find(text=re.compile(f'{label_text}[:：]\\s*')) if not elem: return [] credits = [] for a in elem.parent.find_next_siblings('a'): name = a.get_text(strip=True) href = a.get('href', '') # 提取豆瓣 ID，如 /celebrity/1000001/ → 1000001 cid = re.search(r'/celebrity/(\d+)/', href) credits.append({ "name": re.sub(r'[^\w\s\u4e00-\u9fff]', '', name), # 清洗标点 "id": cid.group(1) if cid else "" }) return credits directors = extract_credits("导演") writers = extract_credits("编剧") actors = extract_credits("主演") # 类型（多个 span.pl） genres = [] for genre_elem in soup.select('span[property="v:genre"]'): genres.append(genre_elem.get_text(strip=True)) # 上映日期（复杂解析） release_dates = [] info_div = soup.select_one('#info') if info_div: for line in info_div.stripped_strings: if '上映日期' in line or '上映' in line: matches = re.findall(r'(\d{4}-\d{2}-\d{2})\(([^)]+)\)', line) for date, region in matches: release_dates.append({"date": date, "region": region}) break return { "url": url, "title": title, "year": year, "rating": rating, "votes": votes, "directors": directors, "writers": writers, "actors": actors, "genres": genres, "release_dates": release_dates } except Exception as e: print(f'解析 {url} 失败: {e}') return None # 主采集循环 all_movies = [] session = requests.Session() session.headers.update({'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36'}) for i, url in enumerate(movie_urls[:5]): # 先试 5 部，验证逻辑 print(f'正在抓取第 {i+1} 部: {url}') data = parse_movie_page(url, session) if data: all_movies.append(data) time.sleep(random.uniform(10, 15)) # 更长的延迟，确保安全 # 保存为 JSON with open('douban_top5.json', 'w', encoding='utf-8') as f: json.dump(all_movies, f, ensure_ascii=False, indent=2)

运行后，douban_top5.json生成，内容如下（节选）：

[ { "url": "https://movie.douban.com/subject/1292052/", "title": "肖申克的救赎", "year": "1994", "rating": 9.7, "votes": 2456789, "directors": [{"name": "弗兰克德拉邦特", "id": "1000001"}], "writers": [{"name": "弗兰克德拉邦特", "id": "1000001"}], "actors": [ {"name": "蒂姆罗宾斯", "id": "1000002"}, {"name": "摩根弗里曼", "id": "1000003"} ], "genres": ["犯罪", "剧情"], "release_dates": [ {"date": "1994-09-23", "region": "美国"}, {"date": "1994-12-14", "region": "加拿大"} ] } ]

字段完整、结构清晰、可直接导入 Pandas 或数据库。

4.4 数据质量校验：三道防线守住数据生命线

抓完数据不等于结束，90% 的数据问题出在“以为抓对了，其实错了”。我们建立三道校验防线：

防线一：URL 有效性检查

• 检查url是否以https://movie.douban.com/subject/开头
• 检查url是否含/结尾（豆瓣详情页 URL 必须以/结尾，否则 301 重定向）
• 检查url中的数字 ID 是否为纯数字（re.match(r'^\d+$', id_part)）

防线二：核心字段非空校验

• title长度 > 2 字符（排除" "或"-"）
• year是 4 位数字（re.match(r'^\d{4}$', year)）
• rating在 0.0–10.0 区间（豆瓣评分范围）
• votes> 100（排除新片或冷门片的异常低值）

防线三：逻辑一致性校验

• 如果directors为空，但writers不为空，发出警告（导演缺失但编剧存在，可能解析错位）
• release_dates中的region是否包含常见地区（["中国大陆", "美国", "日本", "韩国", "英国"]），若出现"未知地区"则标记待人工审核
• genres数量是否在 1–5 个之间（豆瓣通常标 2–3 个类型，超过 5 个可能是错误抓取）

校验代码片段：

def validate_movie(data): errors = [] # 防线一 if not data['url'].startswith('https://movie.douban.com/subject/') or not data['url'].endswith('/'): errors.append("URL 格式错误") # 防线二 if len(data['title']) < 2: errors.append("片名过短") if not re.match(r'^\d{4}$', data['year']): errors.append("年份格式错误") if not (0.0 <= data['rating'] <= 10.0): errors.append("评分超出范围") # 防线三 if not data['directors'] and data['writers']: errors.append("导演为空但编剧不为空") return len(errors) == 0, errors # 批量校验 valid_movies = [] invalid_movies = [] for movie in all_movies: is_valid, errs = validate_movie(movie) if is_valid: valid_movies.append(movie) else: invalid_movies.append({"data": movie, "errors": errs}) print(f"校验通过: {len(valid_movies)}, 校验失败: {len(invalid_movies)}")

实测 5 部电影，全部通过。但当你扩展到 250 部时，大概率会发现 2–3 部因页面改版导致year抓成"1994年"（带“年”字），这时就需要回溯parse_movie_page函数，增强年份正则：re.search(r'(\d{4})[年\-]', ...)。

5. 常见问题与排查技巧实录：那些文档里不会写的血泪教训

5.1 “ConnectionResetError: [WinError 10054]” —— 不是网络问题，是豆瓣在“温柔地赶人”

现象：程序运行到第 30–40 个请求时，突然抛出ConnectionResetError，后续请求全部失败。
原因：这不是你的网络断了，而是豆瓣服务器主动关闭了 TCP 连接。它检测到你的请求模式过于“机器人”（如固定间隔 10 秒、UA 不变、无 Referer），触发了连接层拦截。
解决方案：

• 在session.headers中添加'Referer': 'https://movie.douban.com/top250'，模拟从榜单页点击进入详情页的行为
• 将time.sleep()改为time.sleep(random.uniform(8, 18))，扩大随机范围，打破固定节奏
• 每 50 个请求后，session.close()并新建一个Session实例，重置连接池

实操心得：我曾用固定 10 秒间隔抓 250 部，失败率 42%；加入 Referer 和扩大随机范围后，失败率降至 3%。这证明豆瓣的反爬是行为识别，而非单纯频率限制。

5.2 “AttributeError: 'NoneType' object has no attribute 'get_text'” —— 你以为的稳定结构，其实每天都在变

现象：某天代码突然在title_elem.get_text(strip=True)报错，但你手动打开网页，<h1>标签明明存在。
原因：豆瓣会 A/B 测试新 UI，部分用户看到新版（<h1>结构不同），部分用户看到旧版。你的 IP 被分配到了新版，但解析逻辑还是按旧版写的。
排查步骤：

1. 在报错处加print(resp.text[:500])，打印前 500 字符，确认响应内容
2. 搜索"<h1"，看新版 HTML 中h1的 class 或结构是否变化（如新版用<h1 class="MovieTitle__Title-sc-13n26jz-0">）
3. 用soup.select('h1')替代soup.select_one('h1 span[property="v:itemreviewed"]')，先取所有 h1，再遍历找含v:itemreviewed的那个

终极方案：放弃依赖单一 selector，用多级 fallback：

# 尝试 1：标准方式 title_elem = soup.select_one('h1 span[property="v:itemreviewed"]') if not title_elem: # 尝试 2：新版 h1 直接包含文本 title_elem = soup.select_one('h1.MovieTitle__Title-sc-13n26jz-0') if not title_elem: # 尝试 3：找 class="title" 的 div title_elem = soup.select_one('div.title') title = title_elem.get_text(strip=True) if title_elem else ""

5.3 “UnicodeEncodeError: 'gbk' codec can't encode character” —— 中文乱码的 Windows 陷阱

现象：Windows 上运行json.dump()时报错，提示无法编码某个 Unicode 字符（如 emoji 或生僻汉字）。
原因：Windows 默认终端编码是 GBK，而豆瓣数据含 UTF-8 字符（如"《寄生虫》"中的书名号是 UTF-8）。
解决方案：

• 写入文件时强制指定encoding='utf-8'（代码中已体现）
• 若需在终端打印，用print(json.dumps(data, ensure_ascii=False, indent=2))，而非print(data)
• 终极保险：在脚本开头加import sys; sys.stdout.reconfigure(encoding='utf-8')（Python 3.7+）

5.4 “数据看起来对，但分析结果离谱” —— 隐形的脏数据陷阱

现象：你统计出“2023 年华语电影平均评分 9.2”，远高于常识（豆瓣均分约 7.0），但代码没报错。
排查路径：

1. 检查数据源是否混入非电影条目：豆瓣 Top 250 里有纪录片、动画电影，但你的“华语电影”筛选逻辑是否把《海洋》（法国纪录片）误判为华语？
   • 解决：增加country字段提取（从#info中找"制片国家/地区:"后的文本），并用re.search(r'中国|大陆|香港|台湾|澳门', country_text)判断
2. 检查评分是否被异常值扭曲：Top 250 里《肖申克的救赎》9.7 分，但若你误把"9.7"当成"97"（漏了小数点），均分会爆炸
   • 解决：对rating字段加assert 0.0 <= rating <= 10.0断言，开发期立即暴露
3. 检查时间范围是否错位：year字段是“上映年份”，但豆瓣显示的是“首映年份”，而你分析的是“中国大陆上映年份”，两者可能差 1–3 年
   • 解决：优先用release_dates中region=="中国大陆"的date，提取年份作为分析基准

我的避坑清单：

• 永远用json.dumps(..., ensure_ascii=False)查看原始数据，别信 IDE 变量窗口的截断显示