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。
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
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:
- 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。
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~~
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。
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?
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.