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" οnclick="_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="

#-*- coding: utf-8 -*-import urllib2
import repage_num = 1
page_url = 'http://www.qiushibaike.com/hot/page/'
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers = {'User-Agent':user_agent}def GetAllJokes(cont):#pattern = re.compile('<div.*?class="author.*?>.*?<a.*?</a>.*?<a.*?>(.*?)</a>.*?<div.*?class="content".*?title="(.*?)">(.*?)</div>(.*?)<div class="stats.*?class="number">(.*?)</i>',re.S)strRe = '<div.*?class="author".*?<a.*?<a.*?>(.*?)</a>'strRe += '.*?<div.*?class="content".*?>(.*?)<!--(.*?)--.*?</div>'strRe += '.*?<span.*?class="stats-vote".*?>.*?class="number".*?>(.*?)</i>.*?</span>.*?<*.?class="qiushi_comments".*?>.*?<i.*?>(.*?)</i>.*?</a>'strRe += '.*?<li.*?class="up".*?>.*?<span.*?class="number hidden".*?>(.*?)</span>'strRe += '.*?<li.*?class="down".*?>.*?<span.*?class="number hidden".*?>(.*?)</span>'pattern = re.compile(strRe, re.S)items = re.findall(pattern,content)jokes = []for item in items:joke={}joke[u"作者"]="".join(item[0].split())joke[u"正文"]="".join(item[1].split())joke[u"时间"]=item[2]joke[u"投票"]=item[3]joke[u"评论数"]=item[4]joke[u"顶"]=item[5]joke[u"踩"]=item[6]jokes.append(joke)return jokes
if __name__ == '__main__':jokes = []num = 1while True:if len(jokes)<=0:print "update newly from internet..."try:req = urllib2.Request(page_url+str(num),headers=headers)resp = urllib2.urlopen(req)content = resp.read().decode('utf8')content = content[content.find('<div class="article block untagged mb15"')::]jokes=GetAllJokes(content)num += 1except urllib2.URLError,e:if hasattr(e, "code"):print e.codeif hasattr(e, "reason"):print e.reasonexit(-1)joke = jokes[0]del  jokes[0]for i in joke:print '%8s\t:\t%s'%(i,joke[i])print '======================================================'raw_input("presss enter key to continue...")

C:\Python27\python.exe F:/SrcCode/Python/GetNewlyJokes/GetNewlyJokes.py
update newly from internet...踩  :   -475正文  :   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……评论数    :   130作者   :   王小婕时间   :   2015-05-22 23:56:08投票   :   17899顶  :   18374
======================================================
presss enter key to continue...踩    :   -248正文  :   今天学校歌舞大赛，有一群妹纸跳热舞，下面有一个男的开始喊XXX我爱你，可能是情侣关系，，当时脑抽喊了一句我也是，感觉旁边的人眼神都不对了，多亏当时跑得快呀评论数   :   33作者    :   小伙还可以啊时间    :   2015-05-23 00:07:20投票   :   8343顶   :   8591
======================================================
presss enter key to continue...

6.参考

静觅  »  Python爬虫实战一之爬取糗事百科段子