半路学Python爬虫，学到什么程度可以去找工作了？_学会scrapy是不是能找工作了

就像爬虫工程师，java也能实现，想要靠你学的python找到工作，实践经验才是加分项！

从招聘网站整理的爬虫工程师需要达到的要求：

【初级爬虫工程师】
① web 前端的知识： HTML、CSS、JavaSc1ipt、 DOM、 DHTML 、Ajax、jQuery、json 等；
② 正则表达式：能提取正常一般网页中想要的信息，比如某些特殊的文字， 链接信息， 知道什么是懒惰， 什么是贪婪型的正则；
③ 会使用 XPath 等获取一些DOM 结构中的节点信息；
④ 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；
⑤ 能分析简单网站的结构， 会使用urllib或requests 库进行简单的数据抓取。


【中级爬虫工程师】
① 了解什么是HASH，会简单地使用MD5，SHA1等算法对数据进行HASH一遍存储
② 熟悉HTTP，HTTPS协议的基础知识，了解GET，POST方法，了解HTTP头中的信息，包括返回状态码，编码，user-agent，cookie，session等
③ 能设置user-agent进行数据爬取，设置代理等
④ 知道什么是Request，什么是response，会使用Fiddler等工具抓取及分析简单地网络数据包；
⑤ 对于动态爬虫，要学会分析ajax请求，模拟制造post数据包请求，抓取客户端session等信息，对于一些简单的网站，能够通过模拟数据包进行自动登录。
⑥ 对于一些难搞定的网站学会使用phantomjs+selenium抓取一些动态网页信息
⑦ 并发下载，通过并行下载加速数据爬取；多线程的使用。


【高级爬虫工程师】
① 能够使用Tesseract，百度AI，HOG+SVM，CNN等库进行验证码识别。
② 能使用数据挖掘技术，分类算法等避免死链。
③ 会使用常用的数据库进行数据存储，查询。比如mongoDB，redis；学习如何通过缓存避免重复下载的问题。
④ 能够使用机器学习的技术动态调整爬虫的爬取策略，从而避免被禁IP封禁等。
⑤ 能使用一些开源框架scrapy，scrapy-redis等分布式爬虫，能部署掌控分布式爬虫进行大规模数据爬取。

爬虫技能掌握简要对照：

【初级】
1）Python语言基础

2）相关的请求库
urllib、requests、selenium（动态网页用得上）

3）相关的解析库
BeautifulSoup、XPath、PyQuery、Re正则表达式

4）相关的数据库
MySQL、MongoDB

【中级】
1）Ajax（能通过Ajax接口获取数据）

2）了解基本的 Javascript

3）Puppeteer（基于JS的爬虫框架，可直接执行JS）

4）Pyppeteer（需要python异步知识）

5）多任务基础 & 爬虫提速
多进程、多线程、协程

6）抓取工具
fiddler、Charles、chrome、firefox

7）自动化爬取（爬App）
adb工具、Appium

8）Splash（动态渲染页面的抓取）

9）mitmproxy（中间人代理工具）

【高级】
1）爬虫框架
Scrapy、Pyspider

2）消息队列相关
RabbitMQ、Celery、Kafka

3）Redis 数据库

4）Scrapy
Redis（scrapy的redis组件）、Redis-BloomFilter（scrapy的布隆过滤器）、Cluster（分布式爬虫框架）

5）应对反爬的技术
验证码破解、IP代理池、用户行为管理
分流技术：cookies池、token池、sign池

【更高一级】
JS逆向、App逆向、运维、智能化爬虫

回到问题，针对python爬虫的面试一般会涉及到以下几个部分：

1、基本的编码基础Python

基础的数据结构你得会吧，数据名字和值得对应（字典），对一些url进行处理（列表）等等，爬虫给人的感觉好像对Python编程的知识要求并不高，确实，搞懂基本数据结构、语句，会写写函数好像就OK了，自己业余玩玩还行。

如果要找工作面试爬虫工程师，这远远不够，不要小瞧了爬虫工程师对编程基本功的要求，编程基本功要扎实。除了基本的函数，Python的高级特性、面向对象编程、多线程、装饰器都要熟悉。

分享一个最近在听的同行Python大佬的免费直播分享课，有提到很多Python岗位面试的经验和技巧，还蛮实用，传送门见下方↓↓

编程的功底，以及对语言的理解，从某种程度上可以看出学习能力和发展潜力。

2、HTTP知识

必备技能，要爬的是网页，所以必须要了解网页。

首先html文档的解析方法要懂，比如子节点父节点，属性这些。我们最终看到的网页是被浏览器处理了的，原始的网页是由很多标签组成的。

处理最好使用html的解析器，如果自己用正则匹配的话坑会很多，我个人xpath用得多，跨语言，表达比较好，但是呢也有缺点，正则、逻辑判断有点别扭。

HTTP协议要理解；HTTP协议本身是无状态的，那么“登录”是怎么实现的？这就要求去了解一下session和cookies了。

GET方法和POST方法的区别；

3、浏览器要熟练

爬虫的过程其实是模拟人类去浏览器数据的过程，所以浏览器是怎么访问一个网站的，要学会去观察。

Chrome的Developer Tools提供了访问网站的一切信息；

从traffic可以看到所有发出去的请求，copy as curl功能可以给你生成和浏览器请求完全一致的curl请求！我写一个爬虫的一般流程是这样的，先用浏览器访问，然后copy as curl看看有哪些header，cookies，然后用代码模拟出来这个请求，最后处理请求的结果保存下来。

4、数据库

这个就不用多讲了，数据保存肯定会要用到数据库的。有些时候一些小数据也可以保存成json或者csv等。

推荐使用NoSQL的数据库，比如mongodb，因为爬虫抓到的数据一般是都字段-值得对应，有些字段有的网站有有的网站没有，mongo在这方面比较灵活，况且爬虫爬到的数据关系非常非常弱，很少会用到表与表的关系。

5、爬虫与反爬

这是一个不断较量的过程，就像攻击武器与防御武器一样，双方总是在不断升级。

常见的反爬措施有：

1）IP限制

网站可能将识别的ip永久封杀，这种方式需要的人力比较大，而且误伤用户的代价也很高。但是破解办法却非常简单。目前代理池几乎是搞爬虫的标配了，甚至还有很多高匿代理等好用的东西，所以这基本上只能杀杀小爬虫。

2）登录限制

这也比较常见，不过公开信息的网站一般不会有这个限制，其实反爬措施或多或少的都会影响真实用户，反爬越严格，误杀用户的可能性也越高。

对爬虫来说，登录同样可以通过模拟登录的方式解决，加个cookie就行了（话又说回来，网络的原理很重要）。

3）访问频率

这很好理解，如果访问太频繁，网站可能针对你的ip封锁，这和防DDoS的原理一样。

碰到这样的，限制一下爬虫任务的频率和时间就可以了，尽量让爬虫想人类一样访问网页（比如随机sleep一段时间，如果每隔3s访问一次网站很显然不是正常人的行为）。

也就是控制访问的时间和频率；

4）通过Header封杀

一般浏览器访问网站会有header，比如Safari或者Chrome等等，还有操作系统信息，如果使用程序访问并不会有这样的header。

破解也很简单，访问的时候加上header就行。

5）验证码

验证码的形式各种各样的都有，难度不小；

验证码是专门用来区分人和计算机的手段，对于反爬方来说，这种方式对真实用户和搜索引擎（其实可以通过记录搜索引擎爬虫的ip来区别对待，可以解决）的危害比较大。

但这种方法也并不是无敌的，通过现在很火的机器学习可以轻松的识别大部分的验证码！Google的reCAPTCHA是一种非常高级的验证码，但是听说通过模拟浏览器也是可以破解的。

6）网站内容反爬

有一些网站将网站内容用只有人类可以接收的形式来呈现（其实反爬就是区别对待人类和机器嘛）。

比如将内容用图片的形式显示，但是近几年来人类和机器的差别越来越小，图片可以用OCR准确率非常高地去识别。

7）JavaScript脚本动态获取网站数据

有一些网站（尤其是单页面网站）的内容并不是通过服务器直接返回的，而是服务器只返回一个客户端JavaScript程序，然后JavaScript获取内容。

更高级的是，JavaScript在本地计算一个token，然后拿这个token来进行AJAX获取内容，而本地的JavaScript又是经过代码混淆和加密的，这样我们做爬虫的通过看源代码几乎不可能模拟出来这个请求（主要是token不可能破解）。

但是我们可以从另一个角度：headless的浏览器，也就是我们直接运行这个客户端程序，这可以100%地模拟真实用户。

上面说的是几种比较主流的反爬，当然还有非常多奇葩的反爬。比如返回假数据、返回图片化数据、返回乱序数据、返回骂人的数据、返回求饶的数据，那都具体情况看着办吧。

这些反爬也得小心点，之前见过一个反爬直接返回 rm -rf / 的也不是没有，你要是正好有个脚本模拟执行返回结果，后果自己想象哈。

看到这里，爬虫的一些涵盖知识点也差不多了，怎么样，梳理一下，上面总结的可以算是从爬虫小白到爬虫高手的路径了。爬虫重在实践，里面每个方向其实可研究的点非常多，要记得多练习实战哟！

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

五、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！