专业的“python爬虫工程师”需要学习哪些知识？

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. 熟悉多线程编程、网络编程、HTTP协议相关
2. 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）
3. 反爬相关，cookie、ip池、验证码等等
4. 熟练使用分布式

5. 了解企业级爬虫和个人爬虫的差异（企业级爬虫，首先在数据量上跟我们平时学习的时候爬虫，不是同一数量级，数据量大很多。其次，企业级爬虫代码一般部署到专门的爬虫服务器上，采取7*24小时运行，所以需要日志监控，异常维护。）

6. 知道什么是深度优先，广度优先的抓取算法，及实践中的使用规则；

7. 能分析简单网站的结构，会使用urllib，urllib2或requests库进行简单的数据抓取；

 

人生苦短，只用Python

爬虫基础

学习爬虫，我们首先要了解什么是爬虫以及它的工作流程，知己知彼，方能百战百胜嘛。当然这些大家都知道的，废话不多说，先来看看爬虫基础知识点。

1、请求与响应

2、爬虫与反爬虫

3、开发工具

4、Urllib库使用详解与项目实战

5、requests库安装使用与项目实战

 

 

 

 

爬虫基础最后一弹

好了，如果只是想入个门的话，这些都差不多了，但我想每个学爬虫的小伙伴，都是想成为一个伟大的爬虫攻城狮的吧！来来来，让我们继续看看进阶学习方法。

爬虫进阶

1、爬虫框架实现

2、破解反爬技术

3、代理池实现

4、模拟登陆

5、pyspider框架

爬虫高级部分

1、APP的抓取

2、Scrapy框架

3、分布式爬虫实战

4、分布式爬虫部署

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。

参考 scrapy-redis 和 scrapy 有什么区别？

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

什么叫全站爬取

我们就拿拉勾来举例，搜索关键词，有50页，不要以为把这50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。

那我们该用什么办法，答案是通过筛选缩小范围，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。

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。

 

能力是否达标？

想知道很简单，给个任务，爬取你们当地政府官网上所有新闻。

你会如何思考并设计这个项目？

欢迎留言指出