Python抓取段子的爬虫

地址：http://www.qiushibaike.com/hot/page/1，更换后面的数字可以获取不同页的段子，每页有10多条段子吧，因此爬虫从读取该网页并解析就好了。

这里使用的Python库都是系统自带的，所以不需要安装额外的第三方库，使用的库主要是urllib2--用于获取网页内容，re-正则表达式解析获取网页信息。

其中urllib2需要注意设置header和以request的方式请求网页，而最主要的则是re正则表达式的写法了，这个见仁见智，我正则表达式不是很熟，也就能写个能用的，所以……质量不能保证哈。

获取的每个段子的内容基本都是这样子的：

<div class="article block untagged mb15" id='qiushi_tag_106723566'>

<div class="author">
<a href="/users/14932928">
<img src="http://pic.qiushibaike.com/system/avtnew/1493/14932928/medium/20141225021149.jpg" alt="王小婕" />
</a>
<a href="/users/14932928">王小婕 </a>
</div>


<div class="content">

家里的哈士奇，训练捡东西一直没学会，直到有一天，兜里钱掉了，他丫叼着不撒口，从此学会捡钱了，有一天他和一个硬币较上劲了，叼不起来，丫的硬是用舌头舔回家……
<!--2015-05-22 23:56:08-->

</div>




<div class="stats">
<span class="stats-vote"><i class="number">16479</i> 好笑</span>
<span class="stats-comments">


<span class="dash"> · </span>
<a href="/article/106723566?list=hot&s=4774673" id="c-106723566" class="qiushi_comments" title="120条评论" target="_blank" onclick="_hmt.push(['_trackEvent', 'post', 'click', 'signlePost'])">
<i class="number">120</i> 回复
</a>



</span>
</div>
<div id="qiushi_counts_106723566" class="stats-buttons bar clearfix">
<ul class="clearfix">
<li id="vote-up-106723566" class="up">
<a href="javascript:voting(106723566,1)" class="voting" data-article="106723566" id="up-106723566" title="16904个顶">
<i class="iconfont" data-icon-actived="
Python抓取段子的爬虫
标签：爬虫   python   正则表达式   糗事百科   
原文地址：http://blog.csdn.net/arbboter/article/details/45941615