成为网络爬虫工程师需要了解哪些知识

初级爬虫工程师：

Web前端的知识：HTML， CSS， JavaScript， DOM， DHTML， Ajax， jQuery，json等；

正则表达式，能提取正常一般网页中想要的信息，比如某些特殊的文字，链接信息，知道什么是懒惰，什么是贪婪型的正则；

会使用re， BeautifulSoup，XPath等获取一些DOM结构中的节点信息；

知道什么是深度优先，广度优先的抓取算法，及实践中的使用规则；

能分析简单网站的结构，会使用urllib，urllib2或requests库进行简单的数据抓取；

中级爬虫工程师：

了解什么是Hash，会使用简单的MD5，SHA1等算法对数据进行Hash以便存储；

熟悉HTTP，HTTPS协议的基础知识，了解GET，POST方法，了解HTTP头中的信息，包括返回状态码，编码，user-agent，cookie，session等；

能设置User-Agent进行数据爬取，设置代理等；

知道什么是Request，什么是Response，会使用Fiddle， Wireshark等工具抓取及分析简单的网络数据包；对于动态爬虫，要学会分析Ajax请求，模拟制造Post数据包请求，抓取客户端session等信息，对于一些简单的网站，能够通过模拟数据包进行自动登录；

对于比较难搞定的网站，学会使用浏览器+selenium抓取一些动态网页信息；

并发下载，通过并行下载加速数据抓取；多线程的使用；

高级爬虫工程师：

能使用Tesseract，百度AI，HOG+SVM，CNN等库进行验证码识别；

能使用数据挖掘的技术，分类算法等避免死链等；

会使用常用的数据库进行数据存储，查询，如Mongodb，Redis（大数据量的缓存）等；下载缓存，学习如何通过缓存避免重复下载的问题；Bloom Filter的使用；

能使用机器学习的技术动态调整爬虫的爬取策略，从而避免被禁IP封号等；

能使用一些开源框架Scrapy，Celery等分布式爬虫，能部署掌控分布式爬虫进行大规模的数据抓取；