标签：响应 ip池 cookie 日志监控 span urllib str 工具 tps
暂且把目标定位初级爬虫工程师，简单列一下吧：
（必要部分）
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。）
人生苦短，只用Python
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
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。
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
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？
这个面试中肯定会被人问道，如：
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。
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。
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
标签：响应 ip池 cookie 日志监控 span urllib str 工具 tps
原文地址：https://www.cnblogs.com/cherish-cxh/p/10025979.html
