最近很多朋友问我，我在自学爬虫，学到什么程度可以去找工作呢？
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。
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）
语言选择：一般是了解Python、Java、Golang之一
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
（非必要，建议）
了解消息队列，如RabbitMQ、Kafka、Redis等
具有数据挖掘、自然语言处理、信息检索、机器学习经验
熟悉APP数据采集、中间人代理
大数据处理（Hive/MR/Spark/Storm）
数据库Mysql，redis，mongdb
熟悉Git操作、linux环境开发
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：
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
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？
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~~ 小编推荐一个学Python的学习裙【 二二七，四三五，四五零 】，无论你是大牛还是小白，是想转行还是想入行都可以来了解一起进步一起学习！裙内有开发工具，很多干货和技术资料分享！希望新手少走弯路
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。
模拟登陆其实就是一步步的请求，保存cookie会话
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
文末知识点摘要：Python 中，字符串"连接"效率最高的方式是？一定出乎你的意料
网上很多文章人云亦云，字符串连接应该使用「join」方法而不要用「+」操作。说前者效率更高，它以更少的代价创建新字符串，如果用「+」连接多个字符串，每连接一次，就要为字符串分配一次内存，效率显得有点低，这样的解释听起来很有道理，但 Cpython 解释器是不是真的按照我们说的这样呢？
今天做了一个试验，结果可能会出乎你的意料。
上面 3 个函数分别表示用「join」和「format」还有「+」操作来连接字符串，从 0 到 n，总共 n 个数字连接起来构成一个新的字符串，形如：1234567891011……n。
下面是测试脚本：
每组取了15个样本数据，分别用 1，2，4，8，… 8192 个数字相连接，得到的统计数据可以看出，在数据量非常少的时候，三者效率几乎没什么差异，当少于20个字符串连接时，用「+」效率甚至更高，不过，随着字符串的个数增多，「join」方法发挥出来效果了，而用「+」越来越慢。这点无论是 python2 还是 python3 基本上是一样的。
所以结论是：如果连接的字符串很少，只有几个或者十几个，完全可以通过「+」来连接，毕竟这种方式更直白，而超过一定个数之后，则应该采用「join」方法，只有在操作大数据的时候，两者的对比才明显。
网友评论