将裸睡的猪设为置顶 追剧不如追爬虫

作者：小歪，拼多多爬虫工程师，Python爬虫与算法进阶号主

01、学到哪种程度

暂且把目标定位初级爬虫工程师，简单列一下吧：

(必要部分)

1. 语言选择：一般是了解Python、Java、Golang之一

2. 熟悉多线程编程、网络编程、HTTP协议相关

3. 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)

4. 反爬相关，cookie、ip池、验证码等等

5. 熟练使用分布式

(非必要，建议)

1. 了解消息队列，如RabbitMQ、Kafka、Redis等

2. 具有数据挖掘、自然语言处理、信息检索、机器学习经验

3. 熟悉APP数据采集、中间人代理

4. 大数据处理(Hive/MR/Spark/Storm)

5. 数据库Mysql，redis，mongdb

6. 熟悉Git操作、linux环境开发

7. 读懂js代码，这个真的很重要

02、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

03、实际项目经验

这个面试中肯定会被人问道，如：

1. 你爬过哪些网站

2. 日均最大采集量是多少

3. 你遇到哪些棘手问题，如何解决

4. 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？

模拟登陆其实就是一步步的请求，保存cookie会话

04、语言选择

我自己建议是Python、Java、Golang最好都了解，Java爬虫的也很多，但是网上教程几乎都是Python的，悲哀。

最后说下Golang，Golang真的很牛逼，说个数字，Golang可以每分钟下载网页数量 2W ，Python可以吗~~

宣传下自己的刷题项目 Leetcode Solutions By All Language

05、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，fuck-login 可以研究下代码，或者提PR。

06、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