爬虫工程师

1. 谈爬虫工程师的价值 
    大数据时代已到，数据越来越具有价值了，没有数据寸步难行，有了数据好好利用，可以在诸多领域干很多事，比如很火的互联网金融。从互联网上爬来自己想要的数据，是数据的一个重要来源，而且往往是必不可少的来源。所有，目前，爬虫工程师是一个非常吃香的职位，工资往往都不低，就是要耐得住寂寞了。那爬虫工程师的价值也就是能稳定的、高效的和实时的带来数据。这里推荐看两篇文章： 
http://www.hzzx.gov.cn/cshz/content/2014-08/25/content_5417124.htm 
http://www.tuicool.com/articles/Fb6fy2f 
2. 爬虫（或互联网数据采集）怎么入门 
     爬虫可以很快的入门，但要做的真正大神，还必须不断实践。因为，一旦真正爬数据的时候就会出现各种问题，因为爬虫本质是一种对抗性的工作，你需要和反爬人员斗智斗勇。不过，这个过程会充满无穷的乐趣，还会把你锤炼成真正的爬虫高手。 
3. 专门为爬虫入门而写的知乎爬虫 
     这里，耗费了不少的业余时间，专门为爬虫入门写了一个知乎爬虫。为什么选择知乎呢？应为这里例子可以尽量多的将爬虫涉及的技术点包含进去，同时又不至于那么复杂，方便入门。下面说明知乎爬虫的源码和涉及主要技术点： 

模拟登录（爬虫主要技术点1） 
    要爬去需要登录的网站数据，模拟登录是必要可少的一步，而且往往是难点。知乎爬虫的模拟登录可以做一个很好的案例。要实现一个网站的模拟登录，需要两大步骤是：（1）对登录的请求过程进行分析，找到登录的关键请求和步骤，分析工具可以有IE自带(快捷键F12)、Fiddler、HttpWatcher；（2）编写代码模拟登录的过程。 

网页下载（爬虫主要技术点2） 
    模拟登录后，便可下载目标网页html了。知乎爬虫基于HttpClient写了一个网络连接线程池，并且封装了常用的get和post两种网页下载的方法。 

自动获取网页编码（爬虫主要技术点3） 
自动获取网页编码是确保下载网页html不出现乱码的前提。知乎爬虫中提供方法可以解决绝大部分乱码下载网页乱码问题。 

  网页解析和提取（爬虫主要技术点4） 
使用Java写爬虫，常见的网页解析和提取方法有两种：利用开源Jar包Jsoup和正则。一般来说，Jsoup就可以解决问题，极少出现Jsoup不能解析和提取的情况。Jsoup强大功能，使得解析和提取异常简单。知乎爬虫采用的就是Jsoup。 
                                    
  正则匹配与提取（爬虫主要技术点5） 
    虽然知乎爬虫采用Jsoup来进行网页解析，但是仍然封装了正则匹配与提取数据的方法，因为正则还可以做其他的事情，如在知乎爬虫中使用正则来进行url地址的过滤和判断。 

  数据去重（爬虫主要技术点6） 
    对于爬虫，更具场景不同，可以有不同的去重方案。（1）少量数据，比如几万或者十几万条的情况，使用Map或Set便可；（2）中量数据，比如几百万或者上千万，使用BloomFilter（著名的布隆过滤器）可以解决；（3）大量数据，上亿或者几十亿，Redis可以解决。知乎爬虫给出了BloomFilter的实现，但是采用的Redis进行去重。 

    除了以上爬虫主要的技术点之外，知乎爬虫的实现还涉及多种设计模式，主要有链模式、单例模式、组合模式等，同时还使用了Java反射。除了学习爬虫技术，这对学习设计模式和Java反射机制也是一个不错的案例。 

 

http://blog.sina.com.cn/s/blog_6b8c15570102w195.html