對于程序員來說基本上不存在重復(fù)性的工作，任何重復(fù)勞動(dòng)都可以通過程序自動(dòng)解決。下面千鋒帶你一起了解爬蟲需要哪些相關(guān)的技能。

1、基本的編碼基礎(chǔ)（至少一門編程語言）

這個(gè)對于任何編程工作來說都是必須的?；A(chǔ)的數(shù)據(jù)結(jié)構(gòu)你得會(huì)吧。數(shù)據(jù)名字和值得對應(yīng)（字典），對一些url進(jìn)行處理（列表）等等。事實(shí)上，掌握的越牢固越好，爬蟲并不是一個(gè)簡單的工作，也并不比其他工作對編程語言的要求更高。

熟悉你用的編程語言，熟悉相關(guān)的框架和庫永遠(yuǎn)是百益無害。我主要用Python，用Java寫爬蟲的也有，理論上講任何語言都可以寫爬蟲的，不過最好選擇一門相關(guān)的庫多，開發(fā)迅速的語言。用C語言寫肯定是自找苦吃了。

2、任務(wù)隊(duì)列

當(dāng)爬蟲任務(wù)很大的時(shí)候，寫一個(gè)程序跑下來是不合適的：

如果中間遇到錯(cuò)誤停掉，重頭再來？這不科學(xué)

我怎么知道程序在哪里失敗了？任務(wù)和任務(wù)之間不應(yīng)該相互影響

如果我有兩臺(tái)機(jī)器怎么分工？

所以我們需要一種任務(wù)隊(duì)列，它的作用是：講計(jì)劃抓取的網(wǎng)頁都放到任務(wù)隊(duì)列里面去。然后worker從隊(duì)列中拿出來一個(gè)一個(gè)執(zhí)行，如果一個(gè)失敗，記錄一下，然后執(zhí)行下一個(gè)。這樣，worker就可以一個(gè)接一個(gè)地執(zhí)行下去。也增加了擴(kuò)展性，幾億個(gè)任務(wù)放在隊(duì)列里也沒問題，有需要可以增加worker，就像多一雙虧筷子吃飯一樣。

常用的任務(wù)隊(duì)列有kafka，beanstalkd，celery等。

3、數(shù)據(jù)庫

這個(gè)不用講了，數(shù)據(jù)保存肯定要會(huì)數(shù)據(jù)庫的。不過有時(shí)候一些小數(shù)據(jù)也可以保存成json或者csv等。我有時(shí)想抓一些圖片就直接按照文件夾保存文件。推薦使用NoSQL的數(shù)據(jù)庫，比如mongodb，因?yàn)榕老x抓到的數(shù)據(jù)一般是都字段-值得對應(yīng)，有些字段有的網(wǎng)站有有的網(wǎng)站沒有，mongo在這方面比較靈活，況且爬蟲爬到的數(shù)據(jù)關(guān)系非常非常弱，很少會(huì)用到表與表的關(guān)系。

4、HTTP知識(shí)

HTTP知識(shí)是必備技能。因?yàn)橐赖氖蔷W(wǎng)頁，所以必須要了解網(wǎng)頁。首先html文檔的解析方法要懂，比如子節(jié)點(diǎn)父節(jié)點(diǎn)，屬性這些。我們看到的網(wǎng)頁是五彩斑斕的，只不過是被瀏覽器處理了而已，原始的網(wǎng)頁是由很多標(biāo)簽組成的。處理最好使用html的解析器，如果自己用正則匹配的話坑會(huì)很多。

5、運(yùn)維

這個(gè)話題要說的有很多，實(shí)際工作中運(yùn)維和開發(fā)的時(shí)間差不多甚至更多一些。維護(hù)已經(jīng)在工作的爬蟲是一個(gè)繁重的工作。隨著工作時(shí)間增加，一般我們都會(huì)學(xué)著讓寫出來的爬蟲更好維護(hù)一些。

比如爬蟲的日志系統(tǒng)，數(shù)據(jù)量的統(tǒng)計(jì)等。將爬蟲工程師和運(yùn)維分開也不太合理，因?yàn)槿绻粋€(gè)爬蟲不工作了，那原因可能是要抓的網(wǎng)頁更新了結(jié)構(gòu)，也有可能出現(xiàn)在系統(tǒng)上，也有可能是當(dāng)初開發(fā)爬蟲的時(shí)候沒發(fā)現(xiàn)反扒策略，上線之后出問題了，也可能是對方網(wǎng)站發(fā)現(xiàn)了你是爬蟲把你封殺了，所以一般來說開發(fā)爬蟲要兼顧運(yùn)維。

責(zé)任編輯：ct