1. 談爬蟲工程師的價值

大數(shù)據(jù)時代已到，數(shù)據(jù)越來越具有價值了，沒有數(shù)據(jù)寸步難行，有了數(shù)據(jù)好好利用，可以在諸多領(lǐng)域干很多事，比如很火的互聯(lián)網(wǎng)金融。從互聯(lián)網(wǎng)上爬來自己想要的數(shù)據(jù)，是數(shù)據(jù)的一個重要來源，而且往往是必不可少的來源。所有，目前，爬蟲工程師是一個非常吃香的職位，工資往往都不低，就是要耐得住寂寞了。那爬蟲工程師的價值也就是能穩(wěn)定的、高效的和實(shí)時的帶來數(shù)據(jù)。

2. 爬蟲（或互聯(lián)網(wǎng)數(shù)據(jù)采集）怎么入門

爬蟲可以很快的入門，但要做的真正大神，還必須不斷實(shí)踐。因?yàn)?，一旦真正爬?shù)據(jù)的時候就會出現(xiàn)各種問題，因?yàn)榕老x本質(zhì)是一種對抗性的工作，你需要和反爬人員斗智斗勇。不過，這個過程會充滿無窮的樂趣，還會把你錘煉成真正的爬蟲高手。

3. 專門為爬蟲入門而寫的知乎爬蟲

這里，耗費(fèi)了不少的業(yè)余時間，專門為爬蟲入門寫了一個知乎爬蟲。為什么選擇知乎呢？應(yīng)為這里例子可以盡量多的將爬蟲涉及的技術(shù)點(diǎn)包含進(jìn)去，同時又不至于那么復(fù)雜，方便入門。下面說明知乎爬蟲的源碼和涉及主要技術(shù)點(diǎn)：

模擬登錄（爬蟲主要技術(shù)點(diǎn)1）

要爬去需要登錄的網(wǎng)站數(shù)據(jù)，模擬登錄是必要可少的一步，而且往往是難點(diǎn)。知乎爬蟲的模擬登錄可以做一個很好的案例。要實(shí)現(xiàn)一個網(wǎng)站的模擬登錄，需要兩大步驟是：（1）對登錄的請求過程進(jìn)行分析，找到登錄的關(guān)鍵請求和步驟，分析工具可以有IE自帶（快捷鍵F12）、Fiddler、HttpWatcher；（2）編寫代碼模擬登錄的過程。

網(wǎng)頁下載（爬蟲主要技術(shù)點(diǎn)2）

模擬登錄后，便可下載目標(biāo)網(wǎng)頁html了。知乎爬蟲基于HttpClient寫了一個網(wǎng)絡(luò)連接線程池，并且封裝了常用的get和post兩種網(wǎng)頁下載的方法。

自動獲取網(wǎng)頁編碼（爬蟲主要技術(shù)點(diǎn)3）

自動獲取網(wǎng)頁編碼是確保下載網(wǎng)頁html不出現(xiàn)亂碼的前提。知乎爬蟲中提供方法可以解決絕大部分亂碼下載網(wǎng)頁亂碼問題。

網(wǎng)頁解析和提?。ㄅ老x主要技術(shù)點(diǎn)4）

使用Java寫爬蟲，常見的網(wǎng)頁解析和提取方法有兩種：利用開源Jar包Jsoup和正則。一般來說，Jsoup就可以解決問題，極少出現(xiàn)Jsoup不能解析和提取的情況。Jsoup強(qiáng)大功能，使得解析和提取異常簡單。知乎爬蟲采用的就是Jsoup。

正則匹配與提取（爬蟲主要技術(shù)點(diǎn)5）

雖然知乎爬蟲采用Jsoup來進(jìn)行網(wǎng)頁解析，但是仍然封裝了正則匹配與提取數(shù)據(jù)的方法，因?yàn)檎齽t還可以做其他的事情，如在知乎爬蟲中使用正則來進(jìn)行url地址的過濾和判斷。

數(shù)據(jù)去重（爬蟲主要技術(shù)點(diǎn)6）

對于爬蟲，更具場景不同，可以有不同的去重方案。（1）少量數(shù)據(jù)，比如幾萬或者十幾萬條的情況，使用Map或Set便可；（2）中量數(shù)據(jù)，比如幾百萬或者上千萬，使用BloomFilter（著名的布隆過濾器）可以解決；（3）大量數(shù)據(jù)，上億或者幾十億，Redis可以解決。知乎爬蟲給出了BloomFilter的實(shí)現(xiàn)，但是采用的Redis進(jìn)行去重。

除了以上爬蟲主要的技術(shù)點(diǎn)之外，知乎爬蟲的實(shí)現(xiàn)還涉及多種設(shè)計模式，主要有鏈模式、單例模式、組合模式等，同時還使用了Java反射。除了學(xué)習(xí)爬蟲技術(shù)，這對學(xué)習(xí)設(shè)計模式和Java反射機(jī)制也是一個不錯的案例。