一份可以找工作的爬蟲學(xué)習(xí)大綱

來(lái)源：奇酷教育發(fā)表于：2020-12-28 17:43:51

爬蟲學(xué)到什么程度可以找工作？

　　開篇

　　爬蟲學(xué)到什么程度可以找工作？

　　爬蟲的本質(zhì)是模擬人的操作，發(fā)起請(qǐng)求，獲取正確的服務(wù)器返回的數(shù)據(jù)。所以網(wǎng)絡(luò)這一塊需要相對(duì)熟悉，尤其是http協(xié)議。在此基礎(chǔ)上，開啟脫發(fā)之旅吧！

　　敲黑板：必要部分

　　·語(yǔ)言選擇：一般是了解Python、Java、Golang之一

　　·熟悉多線程編程、網(wǎng)絡(luò)編程、HTTP協(xié)議相關(guān)

　　·開發(fā)過完整爬蟲項(xiàng)目：最好有全站爬蟲經(jīng)驗(yàn)

　　·反爬相關(guān)：cookie、ip池、驗(yàn)證碼等等

　　·熟練使用分布式

　　非必要部分

　　·了解消息隊(duì)列，如RabbitMQ、Kafka、Redis等

　　·具有數(shù)據(jù)挖掘、自然語(yǔ)言處理、信息檢索、機(jī)器學(xué)習(xí)經(jīng)驗(yàn)

　　·熟悉APP數(shù)據(jù)采集、中間人代理

　　·大數(shù)據(jù)處理

　　·數(shù)據(jù)庫(kù)Mysql，redis，mongdb

　　·熟悉Git操作、linux環(huán)境開發(fā)

　　·讀懂js代碼，這個(gè)真的很重要

　　一份可以找工作的爬蟲學(xué)習(xí)大綱

　　基礎(chǔ)篇

　　一、邁出吃牢飯的第一步：cc攻擊

　　關(guān)于requests需要學(xué)習(xí)的知識(shí)點(diǎn)：

　　發(fā)送請(qǐng)求

　　添加參數(shù)

　　設(shè)置請(qǐng)求頭

　　設(shè)置代理ip（或者使用第三方服務(wù)）

　　網(wǎng)絡(luò)異常處理

　　Json數(shù)據(jù)如何處理

　　二、沒有技術(shù)含量的體力活——xpath，css，re

　　json的話，有很多解析庫(kù)，直接轉(zhuǎn)為字典處理就行。

　　html的話，xpath，css，re都可以。

　　js的話，那就re，但有時(shí)候，返回的js經(jīng)過re的處理，可以轉(zhuǎn)為html或者json。

　　三、搶別人的飯碗——Selenium自動(dòng)化測(cè)試工具

　　配置環(huán)境

　　定位元素，獲取屬性與文本

　　動(dòng)作鏈：點(diǎn)擊，移動(dòng)，拖拽，按鍵

　　下拉框，彈窗，iframe，標(biāo)簽操作

　　顯示等待與隱式等

　　提高效率，設(shè)置UA與代理

　　四、Web也就那樣了——APP爬蟲

　　越來(lái)越多的公司轉(zhuǎn)向移動(dòng)端，web端只留給你一個(gè)app二維碼。

　　常見的抓包工具：Fiddler，Wireshark，Charies。

　　主要目的就是為了獲取app的請(qǐng)求，進(jìn)行分析。畢竟app沒有像瀏覽器一樣，有自帶的網(wǎng)絡(luò)分析調(diào)試工具。

　　進(jìn)階篇

　　一、如何快速吃牢飯——加速

　?。?）理解阻塞、非阻塞、同步、異步、并發(fā)、并行概念

　　（2）熟悉python隊(duì)列的使用以及MQ的概念

　?。?）多進(jìn)程、進(jìn)程池和進(jìn)程間通信

　?。?）多線程、線程封裝、線程全局變量、線程互斥、守護(hù)線程以及join的用法

　?。?）協(xié)程、yield關(guān)鍵字、gevent、猴子補(bǔ)丁、asyncio

　　（6）異步請(qǐng)求輪子aiohttp

　?。?）常見解決方案：多線+異步（scrapy的原理）或多進(jìn)程+異步

　　二、框架在手，天下我有——輪子真香

　　爬蟲領(lǐng)域，只此一家——scrapy。

　　官方教程：https://scrapy-chs.readthedocs.io/zh_CN/0.24/intro/tutorial.html

　　scrapy是一個(gè)python爬蟲框架。我們自己用requests也能寫爬蟲（GET某個(gè)URL，然后Parse網(wǎng)頁(yè)的內(nèi)容）。

　　（1）理解五大模塊與兩大中間件的概念和作用

　　（2）熟悉scrapy流程和配置

　?。?）如何更換為其他數(shù)據(jù)庫(kù)

　　三、程序員之間的愛恨情仇——高級(jí)的反爬

　　驗(yàn)證碼與js加密

　　（1）驗(yàn)證碼常見的有：

　　純數(shù)字

　　純英文

　　英文加數(shù)字

　　計(jì)算題

　　12306分類選擇

　　點(diǎn)選成語(yǔ)

　　手機(jī)驗(yàn)證碼

　　滑動(dòng)驗(yàn)證碼

　　特殊軌跡拖動(dòng)

　　拖動(dòng)旋轉(zhuǎn)圖片

　?。?）驗(yàn)證碼這里不考慮上機(jī)器學(xué)習(xí)的話，

　　常用的幾種方案：

　　使用cookie來(lái)避免一部分驗(yàn)證碼

　　Tesseract-OCR識(shí)別工具

　　使用第三方打碼平臺(tái)

　?。?）js加密，嗯~~，燒頭發(fā)的東西。關(guān)于js需要掌握的知識(shí)：

　?。?）如何處理代碼混淆

　?。?）時(shí)間戳和哈希

　?。?）PyExecJS庫(kù)的使用

　?。?）瀏覽器網(wǎng)絡(luò)分析工具

　?。?）App逆向，嗯~~，更燒頭發(fā)。

　　反編譯工具的使用

　　Android基本文件結(jié)構(gòu)

　　App調(diào)試與抓包

　　常見四種加固方式

　　四、建一個(gè)情報(bào)系統(tǒng)——爬蟲監(jiān)控可視化

　?。?）Gerapy

　　Gerapy是一款分布式爬蟲管理框架，支持 Python 3，基于 Scrapy、Scrapyd、Scrapyd-Client、Scrapy-Redis、Scrapyd-API、Scrapy-Splash、Jinjia2、Django、Vue.js 開發(fā)。

　　（2）Grafana

　　Grafana是一款采用 go 語(yǔ)言編寫的開源應(yīng)用，主要用于大規(guī)模指標(biāo)數(shù)據(jù)的可視化展現(xiàn)，是網(wǎng)絡(luò)架構(gòu)和應(yīng)用分析中最流行的時(shí)序數(shù)據(jù)展示工具，目前已經(jīng)支持絕大部分常用的時(shí)序數(shù)據(jù)庫(kù)。

　　官方文檔：http://docs.grafana.org/

　　實(shí)際項(xiàng)目經(jīng)驗(yàn)

　　實(shí)際項(xiàng)目經(jīng)驗(yàn)才是真正的開始：

　　·爬過哪些網(wǎng)站？

　　·日均最大采集量是多少？

　　·你遇到哪些棘手問題，如何解決？

　　真正的開始

　　1.去各大學(xué)習(xí)論壇提問

　　2.去百度和谷歌搜下這個(gè)網(wǎng)站有沒有人分享出你要爬數(shù)據(jù)的API

　　3.看看電腦網(wǎng)頁(yè)有沒有你要的數(shù)據(jù)，寫點(diǎn)代碼測(cè)試調(diào)查下好不好拿，不管好不好拿，也不要急著就開爬

　　4.看看有沒有電腦能打開的手機(jī)網(wǎng)站，一般格式為http://m.xxx.com或

　　http://mobile.xxxx.com，有的話可以用F12檢查抓下包，看下抓取難易程度