专业的“python爬虫工程师”需要学习哪些知识?
Posted 白菜园到三位真火
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了专业的“python爬虫工程师”需要学习哪些知识?相关的知识,希望对你有一定的参考价值。
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)
- 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
-
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。)
-
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;
-
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:
- 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
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
给各位一个福利:
爬虫资料:https://pan.baidu.com/s/1v7dNC6kM1-n0SY3d4DRbSA 提取码:r5b3
以上是关于专业的“python爬虫工程师”需要学习哪些知识?的主要内容,如果未能解决你的问题,请参考以下文章