文档介绍：Python爬虫实战
Python爬虫实战（1）：爬取糗事百科段子
大家好，前面入门已经说了那么多基础知识了，下面我们做几个实战项目来挑战一下吧。那么这次为大家带来，Python爬取糗事百科的小段子的例子。
首先，糗事百科大家都听说过吧？糗友们发的搞笑的段子一抓一大把，这次我们尝试一下用爬虫把他们抓取下来。
本篇目标

，发布人，段子容，点赞数。
糗事百科是不需要登录的，所以也没必要用到Cookie，另外糗事百科有的段子是附图的，我们把图抓下来图片不便于显示，那么我们就尝试过滤掉有图的段子吧。
好，现在我们尝试抓取一下糗事百科的热门段子吧，每按下一次回车我们显示一个段子。

首先我们确定好页面的URL是 .qiushibaike./hot/page/1，其中最后一个数字1代表页数，我们可以传入不同的值来获得某一页的段子容。
我们初步构建如下的代码来打印页面代码容试试看，先构造最基本的页面抓取方式，看看会不会成功
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
# -*- coding:utf-8 -*-
import urllib
import urllib2
 
 
page = 1
url = '.qiushibaike./hot/page/' + str(page)
try:
    request = (url)
    response = (request)
    print ()
except , e:
    if hasattr(e,"code"):
        print
    if hasattr(e,"reason"):
        print
运行程序，哦不，它竟然报错了，真是时运不济，命途多舛啊
1
2
3
line 373, in _read_status
 raise BadStatusLine(line)
: ''
好吧，应该是headers验证的问题，我们加上一个headers验证试试看吧，将代码修改如下
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
# -*- coding:utf-8 -*-
import urllib
import urllib2
 
page = 1
url = '.qiushibaike./hot/page/' + str(page)
user_agent = 'Mozilla/ (compatible; MSIE ; Windows NT)'
headers = { 'User-Agent' : user_agent }
try:
    request = (url,headers = headers)
    response = (request)
    print ()
except , e:
    if hasattr(e,"code"):
        print
    if hasattr(e,"reason"):
        print
嘿嘿，这次运行终于正常了，打印出了第一页的HTML代码，大家可以运行下代码试试看。在这里运行结果太长就不贴了。

好，获取了HTML代码之后，我们开始分析怎样获取某一页的所有段子。
首先我们审查元素看一下，按浏览器的F12，截图如下
我们可以看到，每一个段子都是<div class=”article block untagged mb15″ id=”…”>…</div>包裹的容。
现在我们想获取发布人，发布日期，段子容，以及点赞的个数。不过另外注意的是，段子有些是带图片的，如果我们想在控制台显示图片是不现实的，所以我们直接把带有图片的段子给它剔除掉，只保存仅含文本的段子。
所以我们加入如下正则表达式来匹配一下，用到的方法是是找寻所有匹配的容。方法的用法详情可以看前面说的正则表达式的介绍。
好，我们的正则表达式匹