初级爬虫工程师需要具备哪些知识

爬虫工程师需要具备哪些知识

一、必备部分(初级）

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。）

爬虫基础知识：
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

二、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

以上的知识只是入门

三、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

四、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+

如何学习

了解了这么多之后，应该如何学习提升呢？
当然随便看看知乎教程什么的就不够啦，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？

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。

全站爬取

就拿我们常见的网站拉勾网举例，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。
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。

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，如何解决等等

检验能力是否达标

给你一个任务，比如爬取当地政府网上的所有新闻，你会如何思考并设计这个项目？