麻麻我也会用nodejs写爬虫啦！！！

首先感谢博主http://blog.csdn.net/yezhenxu1992/article/details/50820629

照着这篇文章说的之后我成功 的爬取了网页。人生第一次啊！！开森~~

1.安装Nodejs。

原文里面是要求首先安装nodejs和webstorm的，其实webstorm只是一个文本编辑工具，没有必须安装，你可以用你喜欢的编辑器，sublime text 、atom，你要是高兴用记事本我也不拦着你。

2.新建一个文件夹放代码

在新建的文件夹中打开命令行，

npm init

里面会出一些配置选项，要是没啥特别的，一路enter也没有问题

3.安装第三方包

在这里安装两个包一个cheerio 一个request

npm install cheerio –save

npm install request –save

4.安装好后就可以开始写代码了~

新建一个index.js 在里面敲

var http = require('http');var fs = require('fs');var cheerio = require('cheerio');var request = require('request');var i = 0;var url = "http://www.ss.pku.edu.cn/index.php/newscenter/news/2391"; //初始url function fetchPage(x) {     //封装了一层函数    startRequest(x); }function startRequest(x) {     //采用http模块向服务器发起一次get请求          http.get(x, function (res) {             var html = '';        //用来存储请求网页的整个html内容        var titles = [];                res.setEncoding('utf-8'); //防止中文乱码     //监听data事件，每次取一块数据        res.on('data', function (chunk) {               html += chunk;        });     //监听end事件，如果整个网页内容的html都获取完毕，就执行回调函数        res.on('end', function () {         var $ = cheerio.load(html); //采用cheerio模块解析html         var time = $('.article-info a:first-child').next().text().trim();         var news_item = {          //获取文章的标题            title: $('div.article-title a').text().trim(),         //获取文章发布的时间            Time: time,            //获取当前文章的url            link: "http://www.ss.pku.edu.cn" + $("div.article-title a").attr('href'),         //获取供稿单位            author: $('[title=供稿]').text().trim(),          //i是用来判断获取了多少篇文章            i: i = i + 1,                 };  console.log(news_item);     //打印新闻信息  var news_title = $('div.article-title a').text().trim();  savedContent($,news_title);  //存储每篇文章的内容及文章标题  savedImg($,news_title);    //存储每篇文章的图片及图片标题             //下一篇文章的url  var nextLink="http://www.ss.pku.edu.cn" + $("li.next a").attr('href');            str1 = nextLink.split('-');  //去除掉url后面的中文            str = encodeURI(str1[0]);              //这是亮点之一，通过控制I,可以控制爬取多少篇文章.            if (i <= 500) {                                fetchPage(str);            }        });    }).on('error', function (err) {        console.log(err);    });}       //该函数的作用：在本地存储所爬取的新闻内容资源function savedContent($, news_title) {    $('.article-content p').each(function (index, item) {        var x = $(this).text();              var y = x.substring(0, 2).trim();        if (y == '') {        x = x + '\n';   //将新闻文本内容一段一段添加到/data文件夹下，并用新闻的标题来命名文件        fs.appendFile('./data/' + news_title + '.txt', x, 'utf-8', function (err) {            if (err) {                console.log(err);            }        });    }    })}//该函数的作用：在本地存储所爬取到的图片资源function savedImg($,news_title) {    $('.article-content img').each(function (index, item) {        var img_title = $(this).parent().next().text().trim();  //获取图片的标题        if(img_title.length>35||img_title==""){         img_title="Null";}        var img_filename = img_title + '.jpg';        var img_src = 'http://www.ss.pku.edu.cn' + $(this).attr('src'); //获取图片的url//采用request模块，向服务器发起一次请求，获取图片资源        request.head(img_src,function(err,res,body){            if(err){                console.log(err);            }        });        request(img_src).pipe(fs.createWriteStream('./image/'+news_title + '---' + img_filename));     //通过流的方式，把图片写到本地/image目录下，并用新闻的标题和图片的标题作为图片的名称。    })}fetchPage(url);      //主程序开始运行

5.新建一个data和image文件夹保存爬取的内容

6.命令行中执行 node index.js

好了 good luck