第一步：用 requests 取回网页

开始前需要安装三个库：requests 负责网络请求，beautifulsoup4 负责解析，pandas 负责把结果存成表格。

拿到目标网址后，第一步是用 requests.get() 发起请求，取回页面的原始 HTML。很多网站会拒绝没有标识的请求，因此在请求头里带上一个正常的 User-Agent 是基本操作。取回的文本，就是后续所有处理的基础。

第二步：用 BeautifulSoup 解析内容

BeautifulSoup 能把手写的 HTML 变成可方便检索的对象。以一个简单的练习站点为例，页面上往往罗列着一组条目，每条包含正文、作者和若干标签。

用 find() 与 find_all() 两个方法，就能按标签和类名把想要的内容逐条提取出来。比如先抓全部条目的容器，再在容器内部取出每一段的文本、作者名和标签。把多页内容循环抓完，最后用 pandas 汇总成一个 DataFrame 保存，一次就能拿到成百上千条数据。

第三步：让大模型做智能提取

前面两步得到的是「原始文本」，要变成可用数据，传统做法是针对每个站点手写解析规则——网站结构一变，规则就失效。AI 网页爬虫的思路是：把清洗后的文本连同明确的指令一起交给大模型（LLM），让它输出固定字段的 JSON。

具体实现上，可以调用任意兼容接口的大模型，把「请从下面文本中提取标题、作者、日期、摘要」这类指令和文本一并发送，要求模型返回结构化结果。这样一来，面对不同结构的页面，只要换指令，就不必重写解析代码。

进阶：动态页面与反爬

如今的网页大量依赖 JavaScript 渲染，requests 直接取回的可能只是空壳。这类页面可以用 Playwright 等无头浏览器先把页面跑起来，再交给 BeautifulSoup 解析。遇到反爬严格的站点，则可以配合代理轮换来控制请求频率。

三点提醒

抓取行为应当遵守目标站的 robots.txt 与服务条款，控制请求节奏，避免对服务器造成压力；只抓公开内容，不碰付费墙后或涉及个人隐私的数据；把爬虫用于学习与研究，而不是批量搬运他人成果。

把三层组合起来——requests 负责抓、BeautifulSoup 负责解、大模型负责提——一个能用的 AI 网页爬虫就搭好了。对需要频繁收集外部数据的开发者来说，这是一项值得掌握的基础能力。

来源：KDnuggets

Excel 自带的”假设分析”工具里，有一项”目标搜索（Goal Seek）”就是专门反推答案的。它把公式的结果钉住，反过来算出需要变动的那个输入值。

一、打开目标搜索

1. 切到”数据”选项卡；
2. 点击”假设分析”，在下拉菜单里选择”目标搜索”。

二、填好三个参数

目标搜索只需三个框，缺一不可：

1. 设为目标值的单元格：填装着结果的公式，例如提成金额所在格；
2. 目标值：填你希望它变成的数字，比如 600；
3. 可变单元格：填允许改动的输入，例如”已售件数”。注意它必须是纯数值，不能是公式。

一个前提：目标单元格里的公式必须依赖可变单元格，否则 Excel 会直接拒绝运行。

三、读取结果再确认

填好后点”确定”，Excel 会弹出”目标搜索状态”窗口。以一张销售提成表为例：提成按 5% 计算，把目标值设为 600、可变单元格指向”已售件数”，结果约 79.5 件——也就是比当前多卖约 30 件。若把可变单元格换成”提成比例”，同样的目标会指向约 7.9%。

注意事项

• 目标搜索会把答案直接写进可变单元格，且没有撤销提示。运行前先把原始数值复制到别处，或在副本工作表上操作。
• 它一次只能改一个输入，也不验证合理性：目标定得太高，它可能返回一个远超实际的数字。
• 结果是迭代逼近值，允许误差在”文件 → 选项 → 公式”里的”最多迭代次数”与”最大误差”中设定，金额上通常只差几分。
• 若涉及两个以上的未知数，改用同菜单下的”规划求解（Solver）”；想并排比较几组参数，用”方案管理器”。

来源：MakeUseOf