基本思路
思路一（origin:master）：从维基百科的某个分类（比如：航空母舰（key））页面开始，找出链接的title属性中包含key（航空母舰）的所有目标，加入到待抓取队列中。这样，抓一个页面的代码及其图片的同时，也获取这个网页上所有与key相关的其它网页的地址，采取一个类广度优先遍历的算法来完成此任务。 思路二（origin:cat）：按分类进行抓取。注意到，维基百科上，分类都以Category:开头，由于维基百科有很好的文档结构，很容易从任一个分类，开始，一直把其下的所有分类全都抓取下来。这个算法对分类页面，提取子分类，且并行抓取其下所有页面，速度快，可以把分类结构保存下来，但其实有很多的重复页面，不过这个可以后期写个脚本就能很容易的处理。库的选择
开始想用jsdom，虽然感觉它功能强大，但也比较“重”，最要命的是说明文档不够好，只说了它的优势，没一个全面的说明。因此，换成cheerio，轻量级，功能比较全，至少文档一看就能有一个整体概念。其实做到后来，才发现根本不需要库，用正则表达式就能搞定一切！用库只是少写了一点正则而矣。关键点
全局变量设定：rush:js;">
var regKey = ['航空母舰','航空母艦','航母']; //链接中若包含此中关键词，即为目标
var allKeys = []; //链接的title，也是页面标识，避免重复抓取
var keys = ['Category:%E8%88%AA%E7%A9%BA%E6%AF%8D%E8%88%B0']; //等待队列，起始页
图片下载
使用request库的流式操作，让每一个下载操作形成闭包。注意异步操作可能带来的副作用。另外，图片名字要重新设定，开始我取原名，不知道为什么，有的图明明存在，就是显示不出来；并且要把srcset属性清理掉，不然本面显示不出来。rush:js;">
$ = cheer.load(downHtml);
var rsHtml = $.html();
var imgs = $('#bodyContent .image'); //图片都由这个样式修饰
for(img in imgs){
if(typeof imgs[img].attribs === 'undefined' || typeof imgs[img].attribs.href === 'undefined')
{continue;} //结构为链接下的图片，链接不存在，跳过
else
{
var picUrl = imgs[img].children[0].attribs.src; //图片地址
var dirs = picUrl.split('.');
var filename = baseDir+uuid.v1()+'.'+dirs[dirs.length -1]; //重新命名
request("https:"+picUrl).pipe(fs.createWriteStream('pages/'+filename)); //下载
rsHtml = rsHtml.replace(picUrl,filename); //换成本地路径
// console.log(picUrl);}
}
广度优先遍历
开始没能完全理解异步的概念，以循环方式来做，以为使用了Promise，就已经全转化为同步了，但其实只是能保证交给promise的操作会有序进行，并不能让这些操作与其它的操作有序化！如，下面的代码就是不正确的。rush:js;">
var keys = ['航空母舰'];
var key = keys.shift();
while(key){
data.get({
url:encodeURI(key),qs:null
}).then(function(downHtml){
...
keys.push(key); //(1)
}
});
key = keys.shift(); //(2）
}
上面的操作看试很正常，但其实（2）会在（1）之间被运行！哪怎么办？ 我使用递归来解决这个问题。如下示例代码：
rush:js;">
var key = keys.shift();
(function doNext(key){
data.get({
url:key,qs:null
}).then(function(downHtml){
...
keys.push(href);
...
key = keys.shift();
if(key){
doNext(key);
}else{
console.log('抓取任务顺利完成。')
}
})
})(key);
正则清理
使用正则表达式清理无用的页面代码，因为有很多模式需要处理，写了一个循环统一处理。rush:js;">
var regs = [/?[^<]*<\/script>/g,/