1. 談爬蟲工程師的價值

大數據時代已到，數據越來越具有價值了，沒有數據寸步難行，有了數據好好利用，可以在諸多領域干很多事，比如很火的互聯網金融。從互聯網上爬來自己想要的數據，是數據的一個重要來源，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定的、高效的和實時的帶來數據。

2. 爬蟲（或互聯網數據采集）怎么入門

爬蟲可以很快的入門，但要做的真正大神，還必須不斷實踐。因為，一旦真正爬數據的時候就會出現各種問題，因為爬蟲本質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，耗費了不少的業余時間，專門為爬蟲入門寫了一個知乎爬蟲。為什么選擇知乎呢？應為這里例子可以盡量多的將爬蟲涉及的技術點包含進去，同時又不至于那么復雜，方便入門。下面說明知乎爬蟲的源碼和涉及主要技術點：

模擬登錄（爬蟲主要技術點1）

要爬去需要登錄的網站數據，模擬登錄是必要可少的一步，而且往往是難點。知乎爬蟲的模擬登錄可以做一個很好的案例。要實現一個網站的模擬登錄，需要兩大步驟是：（1）對登錄的請求過程進行分析，找到登錄的關鍵請求和步驟，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。

網頁下載（爬蟲主要技術點2）

模擬登錄后，便可下載目標網頁html了。知乎爬蟲基于HttpClient寫了一個網絡連接線程池，并且封裝了常用的get和post兩種網頁下載的方法。

自動獲取網頁編碼（爬蟲主要技術點3）

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

網頁解析和提?。ㄅ老x主要技術點4）

使用Java寫爬蟲，常見的網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Jsoup不能解析和提取的情況。Jsoup強大功能，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（爬蟲主要技術點5）

雖然知乎爬蟲采用Jsoup來進行網頁解析，但是仍然封裝了正則匹配與提取數據的方法，因為正則還可以做其他的事情，如在知乎爬蟲中使用正則來進行url地址的過濾和判斷。

數據去重（爬蟲主要技術點6）

對于爬蟲，更具場景不同，可以有不同的去重方案。（1）少量數據，比如幾萬或者十幾萬條的情況，使用Map或Set便可；（2）中量數據，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）大量數據，上億或者幾十億，Redis可以解決。知乎爬蟲給出了BloomFilter的實現，但是采用的Redis進行去重。

除了以上爬蟲主要的技術點之外，知乎爬蟲的實現還涉及多種設計模式，主要有鏈模式、單例模式、組合模式等，同時還使用了Java反射。除了學習爬蟲技術，這對學習設計模式和Java反射機制也是一個不錯的案例。