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
