V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
itskingname
V2EX  ›  推广

如果你不知道做什么,那就学一门杂学吧 [文末送书活动]

  •  4
     
  •   itskingname · 2018-09-27 09:42:01 +08:00 · 15687 次点击
    这是一个创建于 2009 天前的主题,其中的信息可能已经有所发展或是发生改变。

    这篇文章没有代码,请放心阅读(送书活动在末尾)。

    多年以后,面对人工智能研究员那混乱不堪的代码,我会想起第一次和 S 君相见的那个遥远的下午。那时的 B 公司,还是一个仅有 6 个人的小团队,Mac 和显示器在桌上依次排开,大家坐在一起,不需要称呼姓名,转过脸去,对方就知道你在和他说话。一切看起来都那么美好,我们所有人,都希望自己和这个公司能够一起成长。

    彼时 S 君刚从加拿大回来,老板把他介绍给我们,于是 S 君作为数据产品经理跟我有了项目上的接触。

    创业公司里面,每一个人都需要会很多的技艺,于是 S 君开始自学 Python。

    有一天,S 君问我:“你玩 MineCraft 吗?“

    “玩,但我更喜欢在 B 站上看别人的世界。”我答道。

    “我觉得我现在写程序,像是在玩我的世界。” S 君笑着说道。

    “是不是觉得你已经掌握了 Python 的基本语法,看着别人把 Python 用的溜溜转,而你自己却不知道用它来做什么?”

    “是这样的,你懂我。”

    “那你学一门杂学吧。”

    于是 S 君被我诱拐过来跟我一起写爬虫。

    后来,S 君离开了 B 公司。

    三个月后,我也离开了。

    从此,我们再也没有见过。

    写爬虫与三峡大坝

    有一天,S 君兴冲冲地跑来跟我说:“我体会到三峡大坝的伟大功能了!”

    “你是爬虫工程师还是水利工程师?”

    “你知道吗,不管上游的水势多么凶猛,从大坝出来以后总是安全而稳定。” S 君并没有回答我的问题,而是自顾自地说道。

    “原来你开始用 Kafka。不错,孺子可教。”

    S 君吐了一下舌头:“还是师傅教导有方。”

    前不久,S 君的爬虫刚刚达到了日产数据千万条的目标。然而他只高兴了一天。因为他发现,数据写到数据库以后,读起来很麻烦。

    S 君有多个数据分析的系统需要从数据库里面读取爬虫爬好的数据,但是从每天千万量级的数据中寻找特定的数据是一个很慢的过程。如果程序遇到异常导致崩溃,又得从头开始读。

    S 君问我:“现在我每一个数据分析的脚本都要从数据库里面读一次数据,做了太多重复的工作,单机单节点的数据库快要撑不住了。我是不是要去学习分库分表搭建集群啊?”

    我告诉 S 君:“这个后面你自然是需要去做的。但现在,你可以先试一试 Kafka,我已经搭建好了一个 Kafka 的集群了,你这样使用……”。

    后来,S 君让所有爬虫把爬到的数据到直接送进了 Kafka,然后再从 Kafka 里面读数据出来,一个 Group 用来备份原始数据,一份 Group 用来生成中间表,一份 Group 用来监控报警,一份 Group 用来绘制 DashBoard。无论爬虫塞给 Kafka 的数据有多少,有多快,从 Kafka 读数据的地方都能按照自己的节奏来消费和使用。

    编程最重要的能力是变通

    S 君是一个老实孩子。

    在开发一个爬虫的过程中,网站接口返回给他的数据看起来是 JSON 格式,于是他就用 Python 自带的 JSON 库去解析。结果解析失败了。因为这些所谓的看起来像 JSON 的东西,竟然没有双引号。

    难道是 JSON 的超集? S 君一通搜索,发现用 YMAL 库也许可以解析这种数据。于是安装 YMAL 库,一解析又报错。

    难道这些数据直接就是 Python 的字典?于是 S 君用上了邪恶的 eval。又报错,因为里面有 null 和小写的 true。

    “你为什么不试一试直接用正则表达式呢?”我对 S 君说。

    “靠!” S 君一拍桌子,旁边的老板吓得把搪瓷杯子里面的快乐水洒在了白衬衣上。

    然后 S 君用正则表达式花了 10 秒钟结束了战斗。

    既然收集了数据就要让它发光发热

    S 君在加拿大留学时学的专业是金融数学和统计。所以他对数据分析也很有兴趣。在他爬虫收集的数据够用以后,我跟他讲了如何使用 Pandas 来分析数据。

    S 君把他分析的酒店价格变化数据给分享给了我们。不愧是金融+数学+统计学背景的高级知识分子 + 超级强大的 Pandas + 超级好用的 Jupyter。这份数据不仅完美再现了过去一年的价格走势,还预测了未来的任何变化,多达四十六张图表似乎穷尽了所有的组合。

    你小学上课传过纸条吗

    “我现在能体会那些半路拦截纸条的人是什么心态了。”这是 S 君第一次使用 Charles 时对我说的话。

    从此以后,我很少看到 S 君分析网页了。因为他学会了在爬虫开发的过程中,首先通过中间人攻击技术分析微信小程序和手机 App。这种方式往往能够直接获得数据,拿到数据以后就能直接储存,再也不用写烦人的 XPath 或者长的跟表情符号一样的正则表达式了。

    有一天,我在玩一个网页版的黑客解密游戏,在网页上寻找某个地方隐藏起来的密码,然后输入每一关的回答框中,答对才能进入下一关。

    游戏有 12 关,而我卡在了第 6 关。只见 S 君拿着电脑走到我面前,指着第 12 关的通关页面跟我炫耀。

    “你是不是用 MITMProxy 替换了这个网站的 Js 文件?”

    “果然还是瞒不过师傅你啊。”

    “你拦截了别人的纸条,做了修改,然后又叠好继续传下去,你有考虑过发纸条的人和收纸条的人的感受吗?”

    “我小学时候不传纸条,都是妹子直接约我的。”

    加密?不存在的

    “前端没有秘密”。S 君在成功逆向了一个网站的 Js 文件以后如是对我说。

    “那是因为这个网站的 Js 代码就赤裸裸地放在你面前,完全没有混淆。”我对 S 君说道。

    “不怕,我可以用 Node.js 来运行混淆过的代码。我已经搭建好 Node.js 服务了,只要把 Js 代码传进去,他就会把结果给我返回回来。” S 君对此似乎一脸自行。

    “你什么时候学会的 Node.js ?”

    “这不是师傅你说过技多不压身吗?既然做爬虫需要动 JavaScript,那我顺手就把 Node.js 给学了。” S 君毫不畏惧的表情,似乎证明他已经猜透了我要问什么。

    “那如果目标没有网站,只有 App 呢?”

    “不怕,Android 逆向工程我也顺便研究了一点。Java 我也看得懂。”

    “看来这些已经不需要我再教你了。”

    你肯定薅了直播答题的羊毛吧

    去年年底的直播答题着实火了一把。那个时候,我和 S 君分开已经有一段时间了。我相信,在全民答题的每一个夜晚,S 君的电脑上一定连着不少于六台安卓手机。这些手机运行着不同的答题平台,能够自动读取屏幕上的问题并自动选择答案。

    我把安卓自动化测试技术教给 S 君,本来是让他结合爬虫,实现群控从而抓取一些难以处理的数据,但我相信他肯定会用来答题。

    变通,这一点他学的越来越好了。

    只希望他不要成为羊毛党。

    后记

    后来,我再也没有见过 S 君这样有趣的人。所以我把我和 S 君的故事写成了一本书:《 Python 爬虫开发 从入门到实战》,现在已在京东,当当与亚马逊上架。

    相信我一次,这本书真的不是从入门到放弃系列。

    爬虫是一门杂学。因为在一个完整的开发过程中,需要涉及到的知识可以包括但不限于:Python,HTML,JavaScript,正则表达式,XPath,数据库,Redis,消息队列,Docker,ELK,Hadoop,数据分析,ETL,中间人攻击,自动化测试技术,可视化……

    这其中的任何一项,在一个大公司里面都可以让很多人来做。

    就像这篇文章里面反复出现的一个词:变通。

    只要能够获得数据,任何技术都可以使用。所谓草木竹石皆可为剑。

    爬虫开发,绝对不仅仅是 Scrapy,PySpider,requests 这些框架或者库的使用。所以在这本书里面,我也刻意减少了框架使用说明的部分,而把重点放在了各种突破反爬虫机制或者使用变通的方法绕过反爬虫机制的方法论和实践中。

    通过学习爬虫,你最后不一定选择爬虫工程师这个岗位,但是在学习爬虫的过程中,你将会接触到的各种工具,方法,服务组件,都会在你以后的生活和工作中帮到你,让你知道,在遇到一个问题的时候,解决方法在哪个地方。

    送书活动

    感谢你读到了这一行,希望我这篇蹩脚的软文没有让你觉得讨厌。新书上架,回馈 V 友。我将会从所有留言的 V 友中选中 6 人,一人赠送一本《 Python 爬虫开发 从入门到实战》。

    按照惯例,选人的方式如下:

    1. 2018 年 9 月 30 日早晨,我会打开网易财经查询 2018 年 9 月 28 日的网易收盘价。
    2. 网易收盘价转成字符串分别加上『 P 』、『 y 』、『 t 』、『 h 』、『 o 』、『 n 』获得 6 个字符串。例如『 2,806.81P 』、『 2,806.81y 』等等
    3. 通过 Python 自带的 hashlib 中的 sha256 算法,计算这 6 个字符串的哈希值。
    4. 哈希值转换为十进制以后除以截至 2018 年 9 月 29 日 10:00 的总楼层数,获得 6 个余数
    5. 6 个余数对应的楼层数将会获得赠书。
    6. 如果同一个人中奖两次,第二次自动顺延给下一层楼。
    7. 顺丰包邮(港澳台、新疆西藏除外)
    第 1 条附言  ·  2018-09-27 11:04:35 +08:00
    我原本给这本书起的书名叫做《虫师的修炼之道》。出版社编辑觉得这样不好做 SEO。为了增加『 Python 』『爬虫』『入门』『实战』方便搜索,才强行改了书名。

    所以请相信我,这真的不是一本从入门到放弃的书。
    第 2 条附言  ·  2018-09-27 12:38:43 +08:00

    抽奖所用的数据,见图中红框框住的这一列。

    第 3 条附言  ·  2018-09-29 12:42:18 +08:00

    开奖啦开奖啦!

    收盘价如图:

    抽奖代码如下:

    恭喜以下六位中奖。

    @Dv @cosmo @ycgk @zerOlike @Mrxiaoxie @wobushizhangsan

    其中576号是我自己。所以顺延给577号。

    请中奖的同时,使用base64编码自己的邮箱回复到本帖并@我。我会使用Y29udGFjdEBraW5nbmFtZS5pbmZvCg== 对应的邮箱给各位发送邮件确认领奖事宜。

    第 4 条附言  ·  2018-09-29 22:03:14 +08:00

    我创建了本书的读者交流群,如果大家对本书有什么期待或者疑问, 可以在群里面进行交流。

    加群方法:

    添加微信公众号

    回复:读者交流

    618 条回复    2019-03-08 11:14:32 +08:00
    1  2  3  4  5  6  7  
    nu11001
        201
    nu11001  
       2018-09-27 13:00:31 +08:00
    +_+
    dwyyy
        202
    dwyyy  
       2018-09-27 13:01:01 +08:00 via iPhone
    猜到肯定是推广,但是没想到写的还挺有意思
    fzxml
        203
    fzxml  
       2018-09-27 13:03:05 +08:00
    支持一波
    GetShitDown
        204
    GetShitDown  
       2018-09-27 13:05:01 +08:00
    分母来一波
    ICU
        205
    ICU  
       2018-09-27 13:05:47 +08:00
    我一定会中奖的!🛀
    Sor
        206
    Sor  
       2018-09-27 13:06:11 +08:00
    安排
    2owe
        207
    2owe  
       2018-09-27 13:08:01 +08:00
    分母般支持
    cheese
        208
    cheese  
       2018-09-27 13:09:30 +08:00
    故事还是很有意思的
    PanPancf
        209
    PanPancf  
       2018-09-27 13:09:35 +08:00
    来了来了
    novacn
        210
    novacn  
       2018-09-27 13:10:30 +08:00
    强势充当分子
    LZRng
        211
    LZRng  
       2018-09-27 13:11:08 +08:00 via iPhone
    故事写的很好👍
    11232as
        212
    11232as  
       2018-09-27 13:11:52 +08:00 via Android
    抽奖也太炫酷了…
    Mavious
        213
    Mavious  
       2018-09-27 13:13:50 +08:00 via iPhone
    抽估计是抽不到我的,只期望 lz 出电子版。纸书太占地方了。
    zzf2017
        214
    zzf2017  
       2018-09-27 13:14:12 +08:00
    这个抽奖还是蛮厉害的
    ZhLTE
        215
    ZhLTE  
       2018-09-27 13:15:36 +08:00
    日常分母
    renshaojuncool
        216
    renshaojuncool  
       2018-09-27 13:18:31 +08:00 via Android
    站楼准备收书
    tengtengking
        217
    tengtengking  
       2018-09-27 13:19:01 +08:00
    我从没有中过奖!
    WaterMC
        218
    WaterMC  
       2018-09-27 13:20:49 +08:00
    看的最用心的部分是文末的抽奖方法说明,稀释中奖率
    May725
        219
    May725  
       2018-09-27 13:21:01 +08:00
    先支持一波,语言风趣
    binlinstar1
        220
    binlinstar1  
       2018-09-27 13:21:53 +08:00
    准备收快递了
    chengxiao
        221
    chengxiao  
       2018-09-27 13:23:24 +08:00
    分母分母 支持一下
    sungkyu
        222
    sungkyu  
       2018-09-27 13:23:25 +08:00 via Android
    挺好的,排个队
    liuzuji
        223
    liuzuji  
       2018-09-27 13:23:52 +08:00 via iPhone
    排队来了
    bomb77
        224
    bomb77  
       2018-09-27 13:24:45 +08:00
    来支持一波
    tonety
        225
    tonety  
       2018-09-27 13:25:09 +08:00
    占楼~~
    MisakaTang
        226
    MisakaTang  
       2018-09-27 13:28:19 +08:00
    日常分母
    bbzz123
        227
    bbzz123  
       2018-09-27 13:28:28 +08:00
    顶一波
    kuaidanian
        228
    kuaidanian  
       2018-09-27 13:28:49 +08:00
    突然发现写的挺有意思的
    rocksolid
        229
    rocksolid  
       2018-09-27 13:29:33 +08:00
    分母分母
    marcosteam
        230
    marcosteam  
       2018-09-27 13:30:53 +08:00 via Android
    好 JB 炫酷,刘明
    willychester
        231
    willychester  
       2018-09-27 13:31:47 +08:00
    分母+1
    734694671
        232
    734694671  
       2018-09-27 13:32:21 +08:00
    膜拜大佬
    pengfei
        233
    pengfei  
       2018-09-27 13:34:28 +08:00
    杂学, 这么有趣么
    niselover
        234
    niselover  
       2018-09-27 13:35:29 +08:00
    1
    Aoang
        235
    Aoang  
       2018-09-27 13:36:09 +08:00 via Android
    软文不错
    CP3LJD
        236
    CP3LJD  
       2018-09-27 13:38:31 +08:00
    资瓷!
    kex0916
        237
    kex0916  
       2018-09-27 13:38:39 +08:00
    分母
    lovemiku
        238
    lovemiku  
       2018-09-27 13:40:18 +08:00
    分母分母
    happuiness
        239
    happuiness  
       2018-09-27 13:40:22 +08:00
    支持一波
    oubl2343
        240
    oubl2343  
       2018-09-27 13:42:52 +08:00
    准备快递
    wusir
        241
    wusir  
       2018-09-27 13:42:54 +08:00
    我是一分子
    yappa
        242
    yappa  
       2018-09-27 13:43:15 +08:00
    当个分母
    cmaster
        243
    cmaster  
       2018-09-27 13:43:28 +08:00
    感觉不错,安排一波
    laoertongzhi
        244
    laoertongzhi  
       2018-09-27 13:44:52 +08:00
    奢望做分子的分母
    exip
        245
    exip  
       2018-09-27 13:46:30 +08:00 via Android
    我来一个
    tuntunxiong
        246
    tuntunxiong  
       2018-09-27 13:47:35 +08:00
    test
    k2d
        247
    k2d  
       2018-09-27 13:48:29 +08:00
    强行抽奖
    sangmong
        248
    sangmong  
       2018-09-27 13:49:45 +08:00
    我竟然看完了。。。
    zhangyanwei
        249
    zhangyanwei  
       2018-09-27 13:49:47 +08:00
    厉害了,抽到一定会学习
    lixile
        250
    lixile  
       2018-09-27 13:51:31 +08:00
    软文不错 试试写小说?
    JeongReich
        251
    JeongReich  
       2018-09-27 13:51:57 +08:00
    def 中奖者():
    wdy3334
        252
    wdy3334  
       2018-09-27 13:52:04 +08:00 via Android
    分子+1
    cece0417
        253
    cece0417  
       2018-09-27 13:53:32 +08:00
    抽中 我
    EruDev
        254
    EruDev  
       2018-09-27 13:54:09 +08:00
    分母+1
    Specs
        255
    Specs  
       2018-09-27 13:54:42 +08:00
    支持一波
    utanbo
        256
    utanbo  
       2018-09-27 13:56:09 +08:00
    好玩,
    2march
        257
    2march  
       2018-09-27 13:56:43 +08:00
    支持一下
    dangge
        258
    dangge  
       2018-09-27 13:57:08 +08:00
    分母
    scp055
        259
    scp055  
       2018-09-27 13:57:12 +08:00
    mark
    hell0v2
        260
    hell0v2  
       2018-09-27 13:57:18 +08:00
    虫师的?
    l453798303
        261
    l453798303  
       2018-09-27 13:57:50 +08:00
    很精彩,来一楼
    HELLONAV
        262
    HELLONAV  
       2018-09-27 13:57:54 +08:00 via Android
    你是我见过代码界最骚的一个人
    cobert
        263
    cobert  
       2018-09-27 13:57:55 +08:00
    免费领鸡蛋活动
    lanpang
        264
    lanpang  
       2018-09-27 13:58:45 +08:00
    你看你们,抽奖送书来这么快,等下,我也来,嘿嘿~~ 支持~~
    russellyoung
        265
    russellyoung  
       2018-09-27 13:58:55 +08:00
    分母+1
    keenwon
        266
    keenwon  
       2018-09-27 14:00:08 +08:00
    拉低中奖率
    xinlongdan
        267
    xinlongdan  
       2018-09-27 14:01:26 +08:00 via Android
    很棒
    tiedan
        268
    tiedan  
       2018-09-27 14:02:26 +08:00
    分母
    madmanffff
        269
    madmanffff  
       2018-09-27 14:04:06 +08:00
    请哈希我
    hsfzxjy
        270
    hsfzxjy  
       2018-09-27 14:05:09 +08:00 via Android
    占楼
    aaronysj
        271
    aaronysj  
       2018-09-27 14:05:38 +08:00
    求中
    yao5024
        272
    yao5024  
       2018-09-27 14:05:42 +08:00
    分母+1
    xxuuaa
        273
    xxuuaa  
       2018-09-27 14:05:47 +08:00
    分母
    liangjies
        274
    liangjies  
       2018-09-27 14:05:57 +08:00 via Android
    支持一下
    bigbenniu
        275
    bigbenniu  
       2018-09-27 14:07:29 +08:00
    位置占了再说
    hiyouli
        276
    hiyouli  
       2018-09-27 14:08:05 +08:00
    竟然看完了,虽然我很想学一些 Python,但是完全没有任何基础,基本上属于看不懂系列。
    Verydiao
        277
    Verydiao  
       2018-09-27 14:08:21 +08:00
    这样的软文必须给个赞!
    306145445
        278
    306145445  
       2018-09-27 14:08:36 +08:00
    支持!
    zuojia
        279
    zuojia  
       2018-09-27 14:08:41 +08:00
    支持一下
    luckyzd
        280
    luckyzd  
       2018-09-27 14:09:52 +08:00
    这波广告我吃了
    vangkinva
        281
    vangkinva  
       2018-09-27 14:09:57 +08:00
    偏要分子+1
    ha14250
        282
    ha14250  
       2018-09-27 14:10:16 +08:00
    向我开炮!
    cnkiller
        283
    cnkiller  
       2018-09-27 14:12:07 +08:00 via Android
    加个分母
    viikker
        284
    viikker  
       2018-09-27 14:13:01 +08:00
    贡献分母
    pouta
        285
    pouta  
       2018-09-27 14:13:37 +08:00 via Android
    来了
    monsterj
        286
    monsterj  
       2018-09-27 14:13:55 +08:00
    占楼
    junezoom
        287
    junezoom  
       2018-09-27 14:14:34 +08:00
    火钳留名
    1nclude
        288
    1nclude  
       2018-09-27 14:15:55 +08:00
    我觉得我只能是分母
    yiyizym
        289
    yiyizym  
       2018-09-27 14:16:06 +08:00 via iPhone
    有意思!如果能出 kindle 我一定买
    sinu
        290
    sinu  
       2018-09-27 14:16:57 +08:00
    支持一下~
    qianfeilong
        291
    qianfeilong  
       2018-09-27 14:17:38 +08:00 via Android
    占楼 万一中了呢😊
    einvince
        292
    einvince  
       2018-09-27 14:18:11 +08:00
    m
    YAHIKO0
        293
    YAHIKO0  
       2018-09-27 14:20:18 +08:00
    抽奖好像很麻烦的样子
    bigmouthhaile
        294
    bigmouthhaile  
       2018-09-27 14:20:41 +08:00 via Android
    支持
    tongz
        295
    tongz  
       2018-09-27 14:22:22 +08:00
    支持一下, 拉低中奖率
    mosbic
        296
    mosbic  
       2018-09-27 14:22:25 +08:00 via Android
    分母
    sjp133
        297
    sjp133  
       2018-09-27 14:22:40 +08:00
    分母加 1 ,万一成分子了呢
    deflk
        298
    deflk  
       2018-09-27 14:26:15 +08:00
    我又中奖了
    bridgeca0
        299
    bridgeca0  
       2018-09-27 14:26:23 +08:00
    1
    cslongjian
        300
    cslongjian  
       2018-09-27 14:26:55 +08:00
    分母
    1  2  3  4  5  6  7  
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   我们的愿景   ·   实用小工具   ·   1222 人在线   最高记录 6543   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 35ms · UTC 18:07 · PVG 02:07 · LAX 11:07 · JFK 14:07
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.