zero.
python爬虫
- 公司信息：
- 盛顺
- 工作经验：
- 1年
- 兼职日薪：
- 500元/8小时
- 兼职时间：
- 下班后
- 周六
- 周日
- 可工作日远程
- 所在区域：
- 其他
- 全区
技术能力
网络请求方面
多种请求库运用
熟练使用 requests 库发送 HTTP 和 HTTPS 请求，能处理各种请求方法如 GET、POST、PUT 等。可以设置请求头，模拟浏览器行为绕过一些简单的反爬机制，比如设置 User-Agent 伪装成常见浏览器。同时，对于需要登录验证的页面，能够通过传递 cookies 或者进行模拟登录操作获取页面数据。
处理网络异常
具备完善的错误处理机制。当遇到网络连接超时、服务器错误等情况时，能自动重试请求一定次数，并且记录错误日志以便后续分析。还可以根据不同的错误类型采取不同的应对策略，比如切换请求 IP（如果有代理池的话）等。
数据解析方面
HTML 解析
对于 HTML 页面，能够使用 BeautifulSoup 库进行解析。精准定位页面中的元素，通过标签名、类名、ID 等属性提取目标数据。可以处理复杂的页面结构，提取嵌套元素中的信息，并且能够对提取的数据进行清洗和预处理，去除多余的空格、换行符等。
JSON 数据处理
当遇到返回 JSON 格式数据的接口时，能轻松解析 JSON 数据并提取所需信息。理解 JSON 数据的嵌套结构，递归地获取深层数据。还可以将 JSON 数据转换为适合进一步处理的 Python 数据结构如字典、列表等。
反爬应对方面
IP 代理与轮换
拥有代理 IP 池管理能力，可以从代理服务器获取不同的 IP 地址用于发送请求，降低被目标网站封禁的风险。能够定期检测代理 IP 的可用性，及时剔除无效的 IP 地址。并且可以根据目标网站的反爬强度，动态调整请求使用代理的频率。
验证码识别
对于一些有验证码的网站，能够通过调用验证码识别库（如 Tesseract）或者使用打码平台的接口进行验证码识别。先下载验证码图片，进行预处理提高识别准确率，然后将识别结果用于登录或者提交请求等操作。
数据存储与管理方面
数据存储格式选择
可以根据数据的特点和后续使用需求，选择合适的存储方式。如将结构化数据存储为 CSV 文件以便于数据交换和在电子表格中查看；将数据存储到关系型数据库如 MySQL、PostgreSQL 中，利用数据库的事务处理、索引等功能提高数据管理效率；或者存储到非关系型数据库如 MongoDB 中，方便处理非结构化和半结构化数据。
数据去重与更新
在存储数据前能够进行数
项目经验
项目一：电商商品信息爬取与分析项目
爬取了多个主流电商平台上特定品类（如电子产品）的商品信息。使用 Python 的 requests 库发送请求，配合 BeautifulSoup 和 lxml 解析页面。通过设置随机的 User-Agent 和请求间隔来绕过反爬机制。对获取的商品价格、参数、评价等数据进行清洗整合，存储到 MySQL 数据库中。利用数据分析库如 pandas 和 matplotlib，分析价格走势、产品参数分布以及评价情感倾向，为市场调研提供有力数据支持，展示了强大的数据获取与分析能力。
项目二：学术文献检索与下载爬虫
目标是从多个知名学术数据库爬取特定领域（如计算机科学）的文献信息。采用 Selenium 模拟浏览器操作登录并进行搜索，处理复杂的验证码和动态页面加载。使用多线程技术加速爬取过程，将文献标题、作者、摘要、下载链接等信息提取并整理成结构化格式存储到 MongoDB 中。同时开发了自动下载文献的功能，方便后续研究，体现了处理复杂页面和多任务操作的技术水平。
项目三：社交媒体数据挖掘项目
聚焦于某热门社交媒体平台，旨在获取特定话题下的用户发言、点赞、转发等数据。利用 API 接口和模拟登录相结合的方式获取数据，在 API 访问受限的情况下，通过分析页面结构进行网页爬虫。运用正则表达式提取关键信息，对数据进行情感分析和用户关系网络构建，帮助了解话题热度和传播趋势，展示了在处理复杂数据结构和分析挖掘方面的实力。
案例展示
-
淘宝热卖
很多网页的核心数据是动态加载. 要去分析ajax/js. 找到里面的数据源 有的网页不需要登录/cookie认证. 因此找到数据源直接获取就完事 但是类似于淘宝这样的网站,它的数据生成会基于用户信息/cookie信息而改变 因此就需要携带用户cook
-
新浪新闻scrapy爬虫
1.创建项目 2.新建任务 3.修改配置文件 [setting.py] 只需要用到4个配置数据 [1.UA伪装 2.robot协议 3.并发数量 4.管道保存] # UA # 爬虫
