点击上方“程序人生”，选择“置顶公众号”

第一时间关注程序猿（媛）身边的故事

*图片版权归 CSDN 所有

高考第一天：上班路上看到顶着炎炎烈日去高考的考生们，突然有种今天上班即使加班也很幸福的赶脚。

作者

小歪

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。

文章如需转载，请联系原作者授权。

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

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？

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

参考 Scrapy中如何提高数据的插入速度

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~~

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

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？

欢迎留言指出。

以上仅为个人看法，若有不足之处请指出，希望可以帮助你。

- The End -

程序人生（北京地区）交流微信群，了解一下？

  如群满可添加小编微信，备注“北京 ”：

程序 丨 druidlost  

小七 丨 duoshangshuang

 拉你入群  

「若你有原创文章想与大家分享，欢迎投稿。」

投稿请备注#投稿#

点击图片get往期内容

关注公众号：拾黑（shiheibook）了解更多

[广告]赞助链接：

四季很好，只要有你，文娱排行榜：https://www.yaopaiming.com/
让资讯触达的更精准有趣：https://www.0xu.cn/