python實現工作職位爬蟲的簡單介紹

本文目錄一覽：

• 1、python實戰 面試爬蟲崗位需要掌握哪些知識？
• 2、如何用Python做爬蟲
• 3、學習python具體能做什麼工作呢？

python實戰 面試爬蟲崗位需要掌握哪些知識？

作為一個容易上手的開發工具，python近幾年有很多小夥伴在學習，那麼大家有沒有想過往python哪個模塊繼續深造呢？爬蟲是最近熱點久居不下的模塊，不知道廣大學習python的大軍中，有沒有想在爬蟲領域進行大展身手的。今天小編就面試爬蟲崗位需要掌握哪些知識這個點跟大家進行分析。

1.Python

因為面試的是Python爬蟲崗位，面試官大多數會考察面試者的基礎的Python知識，包括但不限於：

Python2.x與Python3.x的區別

Python的裝飾器

Python的異步

Python的一些常用內置庫，比如多線程之類的

2.數據結構與算法

數據結構與算法是對面試者尤其是校招生面試的一個很重要的點，當然小公司不會太在意這些，從目前的招聘情況來看對面試者的數據結構與算法的重視程度與企業的好壞成正比，那些從不問你數據結構的你就要當心他們是否把你當碼農用的，當然以上情況不絕對，最終解釋權歸面試官所有。

3.Python爬蟲

最重要也是最關鍵的一點當然是你的Python爬蟲相關的知識與經驗儲備，這通常也是面試官考察的重點，包括但不限於：

你遇到過的反爬蟲的策略有哪些？

你常用的反反爬蟲的方案有哪些？

你用過多線程和異步嗎？除此之外你還用過什麼方法來提高爬蟲效率？

有沒有做過增量式抓取？

對Python爬蟲框架是否有了解？

4.爬蟲相關的項目經驗

爬蟲重在實踐，除了理論知識之外，面試官也會十分注重爬蟲相關的項目：

你做過哪些爬蟲項目？如果有Github最好

你認為你做的最好的爬蟲項目是哪個？其中解決了什麼難題？有什麼特別之處？

以上4個模塊為大家面試python爬蟲崗位提供一個參考，不知道要為面試準備什麼的小夥伴可以好好看看，最後小編祝大家能面試到自己想去的崗位。更多Python學習推薦:PyThon學習網教學中心。

如何用Python做爬蟲

1）首先你要明白爬蟲怎樣工作。

想像你是一隻蜘蛛，現在你被放到了互聯「網」上。那麼，你需要把所有的網頁都看一遍。怎麼辦呢？沒問題呀，你就隨便從某個地方開始，比如說人民日報的首頁，這個叫initial pages，用$表示吧。

在人民日報的首頁，你看到那個頁面引向的各種鏈接。於是你很開心地從爬到了「國內新聞」那個頁面。太好了，這樣你就已經爬完了倆頁面（首頁和國內新聞）！暫且不用管爬下來的頁面怎麼處理的，你就想像你把這個頁面完完整整抄成了個html放到了你身上。

突然你發現， 在國內新聞這個頁面上，有一個鏈接鏈回「首頁」。作為一隻聰明的蜘蛛，你肯定知道你不用爬回去的吧，因為你已經看過了啊。所以，你需要用你的腦子，存下你已經看過的頁面地址。這樣，每次看到一個可能需要爬的新鏈接，你就先查查你腦子裡是不是已經去過這個頁面地址。如果去過，那就別去了。

好的，理論上如果所有的頁面可以從initial page達到的話，那麼可以證明你一定可以爬完所有的網頁。

那麼在python里怎麼實現呢？

很簡單

import Queue

initial_page = “初始化頁”

url_queue = Queue.Queue()

seen = set()

seen.insert(initial_page)

url_queue.put(initial_page)

while(True): #一直進行直到海枯石爛

if url_queue.size()0:

current_url = url_queue.get() #拿出隊例中第一個的url

store(current_url) #把這個url代表的網頁存儲好

for next_url in extract_urls(current_url): #提取把這個url里鏈向的url

if next_url not in seen:

seen.put(next_url)

url_queue.put(next_url)

else:

break

寫得已經很偽代碼了。

所有的爬蟲的backbone都在這裡，下面分析一下為什麼爬蟲事實上是個非常複雜的東西——搜索引擎公司通常有一整個團隊來維護和開發。

2）效率

如果你直接加工一下上面的代碼直接運行的話，你需要一整年才能爬下整個豆瓣的內容。更別說Google這樣的搜索引擎需要爬下全網的內容了。

問題出在哪呢？需要爬的網頁實在太多太多了，而上面的代碼太慢太慢了。設想全網有N個網站，那麼分析一下判重的複雜度就是N*log(N)，因為所有網頁要遍歷一次，而每次判重用set的話需要log(N)的複雜度。OK，OK，我知道python的set實現是hash——不過這樣還是太慢了，至少內存使用效率不高。

通常的判重做法是怎樣呢？Bloom Filter. 簡單講它仍然是一種hash的方法，但是它的特點是，它可以使用固定的內存（不隨url的數量而增長）以O(1)的效率判定url是否已經在set中。可惜天下沒有白吃的午餐，它的唯一問題在於，如果這個url不在set中，BF可以100%確定這個url沒有看過。但是如果這個url在set中，它會告訴你：這個url應該已經出現過，不過我有2%的不確定性。注意這裡的不確定性在你分配的內存足夠大的時候，可以變得很小很少。一個簡單的教程:Bloom Filters by Example

注意到這個特點，url如果被看過，那麼可能以小概率重複看一看（沒關係，多看看不會累死）。但是如果沒被看過，一定會被看一下（這個很重要，不然我們就要漏掉一些網頁了！）。 [IMPORTANT: 此段有問題，請暫時略過]

好，現在已經接近處理判重最快的方法了。另外一個瓶頸——你只有一台機器。不管你的帶寬有多大，只要你的機器下載網頁的速度是瓶頸的話，那麼你只有加快這個速度。用一台機子不夠的話——用很多台吧！當然，我們假設每台機子都已經進了最大的效率——使用多線程（python的話，多進程吧）。

3）集群化抓取

爬取豆瓣的時候，我總共用了100多台機器晝夜不停地運行了一個月。想像如果只用一台機子你就得運行100個月了…

那麼，假設你現在有100台機器可以用，怎麼用python實現一個分佈式的爬取算法呢？

我們把這100台中的99台運算能力較小的機器叫作slave，另外一台較大的機器叫作master，那麼回顧上面代碼中的url_queue，如果我們能把這個queue放到這台master機器上，所有的slave都可以通過網絡跟master聯通，每當一個slave完成下載一個網頁，就向master請求一個新的網頁來抓取。而每次slave新抓到一個網頁，就把這個網頁上所有的鏈接送到master的queue里去。同樣，bloom filter也放到master上，但是現在master只發送確定沒有被訪問過的url給slave。Bloom Filter放到master的內存里，而被訪問過的url放到運行在master上的Redis里，這樣保證所有操作都是O(1)。（至少平攤是O(1)，Redis的訪問效率見:LINSERT – Redis)

考慮如何用python實現：

在各台slave上裝好scrapy，那麼各台機子就變成了一台有抓取能力的slave，在master上裝好Redis和rq用作分佈式隊列。

代碼於是寫成

#slave.py

current_url = request_from_master()

to_send = []

for next_url in extract_urls(current_url):

to_send.append(next_url)

store(current_url);

send_to_master(to_send)

#master.py

distributed_queue = DistributedQueue()

bf = BloomFilter()

initial_pages = “”

while(True):

if request == ‘GET’:

if distributed_queue.size()0:

send(distributed_queue.get())

else:

break

elif request == ‘POST’:

bf.put(request.url)

好的，其實你能想到，有人已經給你寫好了你需要的：darkrho/scrapy-redis · GitHub

4）展望及後處理

雖然上面用很多「簡單」，但是真正要實現一個商業規模可用的爬蟲並不是一件容易的事。上面的代碼用來爬一個整體的網站幾乎沒有太大的問題。

但是如果附加上你需要這些後續處理，比如

有效地存儲（數據庫應該怎樣安排）

有效地判重（這裡指網頁判重，咱可不想把人民日報和抄襲它的大民日報都爬一遍）

有效地信息抽取（比如怎麼樣抽取出網頁上所有的地址抽取出來，「朝陽區奮進路中華道」），搜索引擎通常不需要存儲所有的信息，比如圖片我存來幹嘛…

及時更新（預測這個網頁多久會更新一次）

如你所想，這裡每一個點都可以供很多研究者十數年的研究。雖然如此，

「路漫漫其修遠兮,吾將上下而求索」。

所以，不要問怎麼入門，直接上路就好了：）

學習python具體能做什麼工作呢？

學習Python可以從事以下工作：

一、人工智能

Python作為人工智能的黃金語言，選擇人工智能作為就業方向是理所當然的，而且就業前景好，薪資普遍較高，拉勾網上，人工智能工程師的招聘起薪普遍在20K-35K，當然，如果是初級工程師，起薪也已經超過了12500元/月。

二、大數據

我們目前正處於大數據時代，Python這門語言在大數據上比Java更加有效率，大數據雖然難學，但是Python可以更好地和大數據對接，用Python做大數據的薪資也至少是20K以上了，大數據持續火爆，未來做大數據工程師，薪資還將逐漸上漲。

三、網絡爬蟲工程師

網絡爬蟲作為數據採集的利器，在大數據時代作為數據的源頭，十分有用武之地。利用Python可以更快的提升對數據抓取的精準程度和速度，是數據分析師的福祉，通過網絡爬蟲，讓BOSS再也不用擔心你沒有數據。做爬蟲工程師的的薪資為20K起，當然，因為大數據，薪資也將一路上揚。

四、Python web全棧工程師

全棧工程師是指掌握多種技能，並能利用多種技能獨立完成產品的人。也叫全端工程師(同時具備前端和後台能力)，英文Full Stack

developer。全棧工程師不管在哪個語言中都是人才中的人才，而Python web全棧工程師工資基本上都高出20K，所以如果你能力足夠，首選就是Python

web全棧工程師。

五、Python自動化運維

運維工作者對Python的需求很大，小夥伴們快快行動起來吧，學習Python自動化運維也能有個10k-15k的工資，很不錯哦

六、Python自動化測試

Python這門語言十分高效，只要是和自動化有關係的，它可以發揮出巨大的優勢，目前做自動化測試的大部分的工作者都需要學習Python幫助提高測試效率。用Python測試也可以說是測試人員必備的工具了，Python自動化測試的起薪一般也都是15K左右，所以測試的小夥伴也需要學習Python哦!