背单词这件事，很多人卡在同一个地方：眼睛认识，耳朵不认识。翻开词汇书看到"ambiguous"，心里默念一遍，觉得自己记住了，结果听力里一放出来，完全反应不过来是哪个词。这个问题的根源在于，我们记单词的时候只调用了视觉通道，没有同步建立听觉印象。而六级考试里听力占的分值不低，光靠"看"是远远不够的。

所以我就琢磨着做一个小工具，用 Python 把六级核心词汇的标准英式发音 MP3 批量抓下来，做成一套可以离线听的音频库。这样通勤路上、跑步的时候都能磨耳朵，把视觉记忆和听觉记忆绑在一起。这个项目的核心就是：给定一个单词列表，自动获取每个词的标准英式发音音频文件，按规则命名保存到本地。适合有一定 Python 基础、想练听力或者想做类似音频采集工具的人参考。下面我把整个思路、实现细节和踩过的坑完整拆一遍。

1. 整体方案设计与技术选型

1.1 需求拆解：我们到底要做什么

先把需求说清楚，不然后面选型容易跑偏。这个工具要干的事情，拆开来看是这么几步：

• 有一份六级词汇列表，通常是一个 txt 或者 csv 文件，每行一个单词；
• 对每个单词，去某个提供标准英式发音的在线词典获取音频文件；
• 把音频下载到本地，用单词名命名，方便后续检索和播放；
• 处理异常情况：单词查不到、网络超时、音频格式不对等等；
• 最好能记录进度，中断了可以续传，不用从头再来。

看起来简单，但真正动手你会发现，难点不在"下载"这个动作本身，而在于音源的选择和批量处理的健壮性。下载一个文件谁都会，但要稳定地下载几千个文件，还要保证发音是英式而不是美式，这就需要一些设计了。

1.2 音源选型：为什么英式发音这么难搞

这是整个项目最关键的一个决策点。市面上提供单词发音的在线词典不少，但大部分默认给的是美式发音，英式发音要么没有，要么藏在另一个字段里。

我对比过几个常见的音源，说一下各自的坑：

我最终选择的是综合型在线词典的英式发音字段这条路子，原因是它的音频地址有比较明显的规律，而且英式发音是独立存在的，不会和美式混在一起。具体来说，这类词典的页面里，英式发音通常对应一个特定的音频链接，链接里往往带有区分口音的标识（比如路径里带uk字样）。我们要做的就是解析出这个链接，然后下载。

注意：不同词典的页面结构会变，所以解析逻辑不能写死。我的做法是把"从页面提取英式音频链接"封装成一个独立函数，将来页面变了只改这一个函数就行。

1.3 技术栈选择：为什么是 requests + BeautifulSoup

工具本身不复杂，不需要上重型框架。我的选型是这样的：

• requests：发 HTTP 请求，处理会话、超时、重试都很方便，比 urllib 好用太多；
• BeautifulSoup：解析 HTML，找音频链接。虽然也可以用正则，但 HTML 结构一旦复杂，正则就是灾难，BS4 更稳；
• os / pathlib：处理文件路径和目录创建；
• csv / 内置文件读写：管理单词列表和进度记录；
• time / random：控制请求间隔，避免请求过密。

有人可能会问，为什么不用多线程或者异步来加速？我的建议是先别急着上并发。原因有两个：一是很多音源对高频请求敏感，并发太猛容易被限；二是这个任务是"一次性"的，几千个词慢慢跑一两个小时也就完了，没必要为了快那几十分钟去引入并发带来的复杂度和风险。等你把单线程版本跑通了，确认稳定了，再考虑加个线程池也不迟。

2. 核心细节解析与实操要点

2.1 单词列表的准备与清洗

六级词汇列表网上能找到不少版本，但质量参差不齐。我拿到的原始列表里有一堆问题：有的带音标、有的带词性、有的混进了短语、还有重复项。所以在下载之前，必须先清洗。

清洗的目标是得到一个"干净"的单词列表，每行一个纯单词。我写了个小脚本处理：

import re def clean_word_list(raw_path, out_path): seen = set() cleaned = [] with open(raw_path, 'r', encoding='utf-8') as f: for line in f: line = line.strip() if not line: continue # 只保留字母和连字符（处理像 well-known 这样的词） word = re.sub(r'[^a-zA-Z\-]', '', line.split()[0]) if not word or len(word) < 2: continue word_lower = word.lower() if word_lower in seen: continue seen.add(word_lower) cleaned.append(word_lower) with open(out_path, 'w', encoding='utf-8') as f: f.write('\n'.join(cleaned)) print(f"清洗完成，共 {len(cleaned)} 个单词")

这里有几个细节值得说：

• 去重：用 set 记录已经处理过的词，避免重复下载浪费时间和请求；
• 过滤非字母字符：音标、词性标记这些都要去掉，只留单词本身；
• 统一小写：避免 "Apple" 和 "apple" 被当成两个词；
• 保留连字符：像 "well-known" 这种词，连字符是单词的一部分，不能删。

实操心得：清洗完一定要人工抽查几十个，看看有没有把正常的词误删了。我有一次正则写得太狠，把所有带撇号的词（比如 "don't"）都截断了，结果下载了一堆残缺的词。

2.2 音频链接的提取逻辑

这是整个项目的技术核心。以我用的那类词典为例，页面里英式发音的音频通常长这样：一个<audio>标签或者一个带>import requests from bs4 import BeautifulSoup HEADERS = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) ' 'AppleWebKit/537.36 (KHTML, like Gecko) ' 'Chrome/120.0 Safari/537.36' } def get_uk_audio_url(word, session): url = f"https://example-dict.com/word/{word}" try: resp = session.get(url, headers=HEADERS, timeout=10) resp.raise_for_status() except requests.RequestException as e: print(f"[请求失败] {word}: {e}") return None soup = BeautifulSoup(resp.text, 'html.parser') # 找英式发音对应的音频元素 # 具体选择器要根据实际页面结构调整 for audio in soup.find_all('audio'): src = audio.get('src') or audio.get('data-src') if src and 'uk' in src.lower(): return src # 回退：找带 uk 标识的 source 标签 for source in soup.find_all('source'): src = source.get('src') if src and 'uk' in src.lower(): return src return None

这里的关键点在于选择器的定位。不同词典的 HTML 结构不一样，你需要打开一个单词页面，用浏览器的开发者工具（F12）去看音频元素到底长什么样。我一般会先手动查几个词，确认英式音频的链接特征，再写选择器。

注意：不要用绝对路径的选择器（比如div > div:nth-child(3) > audio），这种一旦页面改版就全废了。尽量用带语义的定位，比如根据class名或者属性里包含的口音标识来找。

2.3 请求频率控制与反爬应对

批量请求最怕的就是被限流。我踩过的坑是：一开始没加延时，跑了几百个词之后，请求全部返回异常，IP 被临时限制了。后来加了随机延时，就稳多了。

import time import random def polite_sleep(): # 随机延时 0.5 到 1.5 秒，模拟人类浏览节奏 time.sleep(random.uniform(0.5, 1.5))

除了延时，还有几个技巧：

• 复用 session：用requests.Session()保持连接，比每次新建连接效率高，也更像正常浏览器行为；
• 设置合理的 User-Agent：别用默认的 python-requests，容易被识别；
• 遇到 429 或 403 要退避：不要硬刚，等一段时间再试，或者直接跳过记录到失败列表。

实操心得：我一般会把延时设成随机的，而不是固定值。固定延时反而容易被识别出是脚本，随机延时更自然。另外，跑大批量任务最好选在晚上或者周末，对目标服务器压力小，也不容易触发风控。

3. 完整实操流程与核心环节实现

3.1 环境准备与依赖安装

先把环境搭起来。我用的 Python 3.8+，依赖就三个：

pip install requests beautifulsoup4

不需要额外的音频处理库，因为我们只是下载文件，不做转码。如果你后续想统一音频格式或者调整音量，可以再装pydub和ffmpeg，但那是后话。

目录结构我建议这样组织：

six_level_audio/ ├── words.txt # 清洗后的单词列表 ├── download.py # 主脚本 ├── audio/ # 音频存放目录 │ ├── abandon.mp3 │ ├── ambiguous.mp3 │ └── ... └── progress.txt # 进度记录，记录已下载的词

3.2 主流程代码实现

把前面的模块拼起来，主流程大概是这样：

import os import csv import time import random import requests from bs4 import BeautifulSoup HEADERS = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) ' 'AppleWebKit/537.36 (KHTML, like Gecko) ' 'Chrome/120.0 Safari/537.36' } AUDIO_DIR = 'audio' PROGRESS_FILE = 'progress.txt' FAILED_FILE = 'failed.txt' def load_progress(): if not os.path.exists(PROGRESS_FILE): return set() with open(PROGRESS_FILE, 'r', encoding='utf-8') as f: return set(line.strip() for line in f if line.strip()) def save_progress(word): with open(PROGRESS_FILE, 'a', encoding='utf-8') as f: f.write(word + '\n') def save_failed(word, reason): with open(FAILED_FILE, 'a', encoding='utf-8') as f: f.write(f"{word}\t{reason}\n") def get_uk_audio_url(word, session): url = f"https://example-dict.com/word/{word}" try: resp = session.get(url, headers=HEADERS, timeout=10) resp.raise_for_status() except requests.RequestException as e: return None, str(e) soup = BeautifulSoup(resp.text, 'html.parser') for audio in soup.find_all('audio'): src = audio.get('src') or audio.get('data-src') if src and 'uk' in src.lower(): return src, None for source in soup.find_all('source'): src = source.get('src') if src and 'uk' in src.lower(): return src, None return None, 'no_uk_audio' def download_audio(audio_url, word, session): filepath = os.path.join(AUDIO_DIR, f"{word}.mp3") if os.path.exists(filepath): return True, 'exists' try: resp = session.get(audio_url, headers=HEADERS, timeout=15, stream=True) resp.raise_for_status() with open(filepath, 'wb') as f: for chunk in resp.iter_content(chunk_size=8192): if chunk: f.write(chunk) return True, None except requests.RequestException as e: return False, str(e) def main(): os.makedirs(AUDIO_DIR, exist_ok=True) done = load_progress() session = requests.Session() with open('words.txt', 'r', encoding='utf-8') as f: words = [line.strip() for line in f if line.strip()] total = len(words) for idx, word in enumerate(words, 1): if word in done: continue print(f"[{idx}/{total}] 处理: {word}") audio_url, err = get_uk_audio_url(word, session) if not audio_url: save_failed(word, err or 'unknown') print(f" 跳过，原因: {err}") time.sleep(random.uniform(0.5, 1.5)) continue ok, derr = download_audio(audio_url, word, session) if ok: save_progress(word) print(f" 完成") else: save_failed(word, derr or 'download_failed') print(f" 下载失败: {derr}") time.sleep(random.uniform(0.5, 1.5)) print("全部处理完毕") if __name__ == '__main__': main()

这段代码有几个设计点值得展开说：

进度记录机制。用progress.txt记录已经成功下载的词，每次启动先加载这个集合，已经处理过的直接跳过。这样即使中途断了，重跑也不会重复下载。这个设计对于几千个词的任务来说太重要了，我一开始没做，结果断了一次从头再来，白白浪费了一个多小时。

失败单独记录。下载失败的词写到failed.txt，带上失败原因。跑完之后可以针对这个文件单独重试，不用把整个列表再跑一遍。

文件存在性检查。download_audio里先判断文件是否已存在，存在就直接返回成功。这是双保险，防止进度文件丢失时重复下载。

3.3 音频文件的命名与校验

命名规则我建议直接用单词本身，比如abandon.mp3。这样后续想找某个词的发音，直接按名字找就行，不用维护额外的映射表。

但这里有个坑：有些单词包含特殊字符，比如连字符、撇号，直接当文件名在某些系统上会出问题。我的处理是把文件名里的非法字符替换掉：

import re def safe_filename(word): # 把不适合做文件名的字符替换成下划线 return re.sub(r'[\\/:*?"<>|]', '_', word)

下载完之后，最好做一次校验，确认文件不是空的或者损坏的。最简单的办法是检查文件大小：

def validate_audio(filepath, min_size=1024): if not os.path.exists(filepath): return False return os.path.getsize(filepath) >= min_size

正常的单词发音 MP3 一般有几 KB 到几十 KB，如果文件小于 1KB，很可能是下载到了错误页面（比如 404 页面被保存成了 mp3）。我踩过这个坑，一开始没校验，结果发现有些"音频"用播放器打不开，一看大小只有几百字节，其实是错误响应。

实操心得：批量下载完，一定要抽查一批文件，用播放器实际听一下，确认发音是英式而不是美式，也确认音频没有损坏。我抽查的时候发现有几个词的英式音频链接其实指向的是美式，这种只能手动标记出来单独处理。

4. 常见问题与排查技巧实录

4.1 请求被限制怎么办

这是批量采集最常见的拦路虎。表现是：跑着跑着，请求开始大量失败，返回 403、429 或者直接超时。

排查思路是这样的：

1. 先确认是不是被限了：手动用浏览器访问同一个页面，如果正常，说明是脚本行为被识别了；
2. 检查请求头：User-Agent 是不是太假，有没有缺 Referer 之类的常见头；
3. 降低频率：把延时调大，从 0.5 秒调到 2 秒甚至 3 秒；
4. 换时间段：如果还是不行，停几个小时再跑。

我整理了一个速查表：

4.2 英式发音缺失或错误

不是每个词都有英式发音。有些生僻词、专有名词，词典里可能只有美式。这种情况我的处理是：记录到失败列表，不强行用美式替代。因为我们的目标是英式发音，混进美式会破坏整个音频库的一致性。

还有一种情况是链接里带了uk标识，但实际音频是美式。这种只能靠人工抽查发现。我的做法是随机抽 5% 的文件听一遍，发现问题的词单独标记。

4.3 断点续传与进度丢失

前面提到的进度记录机制就是为这个准备的。但有个细节要注意：进度写入要及时。我一开始是攒一批再写，结果程序崩溃时最后一批的进度丢了。后来改成每成功一个就立即写入，虽然多了点 IO，但安全。

另外，progress.txt和audio/目录要配套。如果手动删了音频文件但没删进度记录，重跑时会跳过这些词，导致缺失。所以要么两个一起清，要么在下载前做文件存在性检查（我在代码里已经加了）。

4.4 音频格式与播放兼容性

下载下来的文件基本都是 MP3，兼容性没问题。但如果你后续想合并成一个长音频，或者转成其他格式，可能会遇到采样率不一致的问题。不同来源的音频采样率可能不同，合并前最好用工具统一一下。

如果只是自己听，其实不用折腾格式。我建议按字母或者按词频分成几个文件夹，每个文件夹几十到一百个词，做成一个播放列表，这样听起来有节奏感，也不会一个文件太长听到崩溃。

5. 音频库的后续利用与扩展思路

5.1 按主题或词频分组

下载完之后，一堆 MP3 躺在文件夹里其实不好用。我的做法是按词频或者主题分组。比如把高频词放一个文件夹，低频词放另一个；或者按字母顺序分。这样每次听的时候目标明确，不会漫无目的地听。

分组可以用脚本自动做，读单词列表，按规则移动到对应子目录。这个逻辑很简单，就不展开写了。

5.2 生成播放列表文件

如果用的是本地播放器，可以生成一个 m3u 播放列表文件，把所有音频路径写进去，播放器就能按顺序播放。格式很简单，就是每行一个文件路径：

def generate_m3u(audio_dir, out_file): files = sorted(f for f in os.listdir(audio_dir) if f.endswith('.mp3')) with open(out_file, 'w', encoding='utf-8') as f: f.write('#EXTM3U\n') for name in files: f.write(os.path.join(audio_dir, name) + '\n')

这样通勤的时候打开播放器，直接加载这个列表，就能从头听到尾。

5.3 扩展到其他词表或语言

这套逻辑其实不限于六级词汇。换成考研词汇、雅思词汇，甚至换成其他语言的单词，只要目标音源支持，改一下单词列表和音源解析逻辑就行。核心的下载、进度管理、失败重试这些模块都是通用的。

我后来把这套代码稍微改了改，用来抓日语单词的发音，只换了音源解析函数，其他部分原封不动，跑得也很顺。所以这个项目的价值不只是一个六级音频库，而是一套可复用的"单词发音采集"方案。

5.4 一个容易被忽略的细节：音频去重

有些单词在不同词表里重复出现，或者同一个词有多个发音版本。下载的时候要注意去重，避免同一个词存了好几份。我在清洗阶段就做了去重，下载阶段又用文件存在性检查兜底，基本不会出现重复。

另外，有些词形变化（比如名词复数和动词第三人称单数）发音规则不同，如果词表里有这些变形，要确认音源给的是不是对应形式的发音。这个比较细，一般词表里都是原形，问题不大，但如果你自己扩展词表，就要留意。

最后分享一个我自己的使用习惯：我一般会把下载好的音频按每 50 个词切成一组，每组做成一个播放列表，每天早上听一组，一周循环一遍。配合着看单词书，视觉和听觉一起上，记单词的效率确实比单纯看书高不少。这个工具本身不复杂，但把"获取标准英式发音"这件事自动化之后，省下来的时间可以真正花在听和记上，这才是它最大的价值。