什么是爬虫？
百度百科：网络爬虫（又被称为网页，网络机器人，在社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取信息的程序或者脚本。
最近很多朋友问我，学习爬虫，学到什么程度可以去找工作呢？
这篇文章会说说我自己的心得体验，关于爬虫、关于工作，仅供参考
为什么那么多人选择学习爬虫？
- 爬虫入门简单
- 薪资客观
- 求职门槛不高
一线城市（北京为例）
96.1%薪资是在10K以上，88.1%的人薪资是在10-30K，所以为什么说薪资非常客观了。
二线城市（成都为例）
学到哪种程度可以就业
暂且把目标定位初级爬虫工程师，简单列一下吧：
（必要部分）
- 语言选择：一般是Python
- 熟悉多线程编程、网络编程、HTTP协议相关
- 开发过完整爬虫项目（最好有全站爬虫经验，这个下面会说到）
- 反爬相关，cookie、ip池、验证码等等
- 熟练使用分布式
（非必要，建议）
- 了解消息队列，如RabbitMQ、Kafka、Redis等
- 具有数据挖掘、自然语言处理、信息检索、机器学习经验
- 熟悉APP数据采集、中间人代理
- 大数据处理（Hive/MR/Spark/Storm）
- 数据库Mysql，redis，mongdb
- 熟悉Git操作、linux环境开发
- 读懂js代码，这个真的很重要
如何提升
随便看看知乎上的教程就可以入门了，就Python而言，会requests当然是不够的，还需要了解scrapy和pyspider这两个框架，scrapy_redis也是需要理解原理的。
- 分布式如何搭建、
- 如何解决其中遇到内存、速度问题。
什么叫全站爬取
最简单的拿拉钩来举例，搜索关键词，有30页，不要以为把这30页爬完就是全站爬取了，你应该想方法把所有数据全部爬下来。
什么办法，通过筛选缩小范围，慢慢来就OK了。
同时，每个职位还会有推荐职位，再写一个采集推荐的爬虫。
这个过程需要注意的是如何去重，Mongo可以、redis也可以
实际项目经验
这个面试中肯定会被人问道，如：
- 你爬过哪些网站
- 日均最大采集量是多少
- 你遇到哪些棘手问题，如何解决
- 等等
那么怎么找项目呢？比如我要爬微博数据，去Github中搜索下，项目还算少吗？
关于反爬
常见的 UA、Refer等需要了解是什么东西，有些验证的ID如何产生的，是否必要；关于IP池这块我不了解，不多说，需要注意的是如何设计拉黑机制；模拟登陆也是必要的， 可以研究下代码，或者提PR。
模拟登陆其实就是一步步的请求，保存cookie会话
如何判断能力足够
很简单，给个任务，爬取知乎上所有问题。
你会如何思考并设计这个项目？
欢迎留言指出
原文地址：https://www.cnblogs.com/Python6359/p/9418677.html
时间： 2024-08-29 16:39:50