初級爬蟲工程師：

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

正則表達(dá)式，能提取正常一般網(wǎng)頁中想要的信息，比如某些特殊的文字，鏈接信息，知道什么是懶惰，什么是貪婪型的正則；

會使用re， BeautifulSoup，XPath等獲取一些DOM結(jié)構(gòu)中的節(jié)點信息；

知道什么是深度優(yōu)先，廣度優(yōu)先的抓取算法，及實踐中的使用規(guī)則；

能分析簡單網(wǎng)站的結(jié)構(gòu)，會使用urllib，urllib2或requests庫進行簡單的數(shù)據(jù)抓取；

中級爬蟲工程師：

了解什么是Hash，會使用簡單的MD5，SHA1等算法對數(shù)據(jù)進行Hash以便存儲；

熟悉HTTP，HTTPS協(xié)議的基礎(chǔ)知識，了解GET，POST方法，了解HTTP頭中的信息，包括返回狀態(tài)碼，編碼，user-agent，cookie，session等；

能設(shè)置User-Agent進行數(shù)據(jù)爬取，設(shè)置代理等；

知道什么是Request，什么是Response，會使用Fiddle， Wireshark等工具抓取及分析簡單的網(wǎng)絡(luò)數(shù)據(jù)包；對于動態(tài)爬蟲，要學(xué)會分析Ajax請求，模擬制造Post數(shù)據(jù)包請求，抓取客戶端session等信息，對于一些簡單的網(wǎng)站，能夠通過模擬數(shù)據(jù)包進行自動登錄；

對于比較難搞定的網(wǎng)站，學(xué)會使用瀏覽器+selenium抓取一些動態(tài)網(wǎng)頁信息；

并發(fā)下載，通過并行下載加速數(shù)據(jù)抓取；多線程的使用；

高級爬蟲工程師：

能使用Tesseract，百度AI，HOG+SVM，CNN等庫進行驗證碼識別；

能使用數(shù)據(jù)挖掘的技術(shù)，分類算法等避免死鏈等；

會使用常用的數(shù)據(jù)庫進行數(shù)據(jù)存儲，查詢，如Mongodb，Redis（大數(shù)據(jù)量的緩存）等；下載緩存，學(xué)習(xí)如何通過緩存避免重復(fù)下載的問題；Bloom Filter的使用；

能使用機器學(xué)習(xí)的技術(shù)動態(tài)調(diào)整爬蟲的爬取策略，從而避免被禁IP封號等；

能使用一些開源框架Scrapy，Celery等分布式爬蟲，能部署掌控分布式爬蟲進行大規(guī)模的數(shù)據(jù)抓取；