我们知道互联网未来最大的趋势就是大数据和人工智能，但是大数据如何来呢，我分享一下大数据的来源之一：网络数据爬虫！
我第一次做爬虫：帮朋友企业做负面舆情爬虫监控
由于自己是做互联网技术研发的，但是2013年6月份改变了我的技术发展方向，那时候接到一个朋友的邀请，说最近他自己公司老是被竞竞争对手在互联网对打进行攻击，经常花钱请网络人员，写一些文章、新闻、微博进行报道他们公司的坏话，让公司的品牌和名声收到很大的影响，只要在百度输入“奶粉事件”或者“xxx公司”他公司名字就排到首页，然后级就是各种负面报道和评价，骂死一片，让他很头疼。问我可不可以研发一套帮舆情监控的系统，对百度新闻、腾讯新闻、新浪新闻、微博等进行采集然后分析、只要发现对他公司负面的文章或者网友评价，就第一时间推送通知给他们公司的风险控制部门经理。于是我就开始研究了爬虫技术。从此也改变了我的技术生涯。需要深度爬虫技术和大数据交流朋友加我qq：2779571288
媒体舆情爬虫-千万级数据分布式存储+异步集群多线程采集
我第二次爬虫大数据的项目是千万级的舆情监控爬虫系统，我们知道做爬虫数据采集，就是把网站上的数据采集下来然后进行数据存储、数据清洗、数据分析最后形成您的需要的标准数据。首先我们需要确定好目标网站，我们需要爬的是那个网站，同一个网站一半分为手机版和PC版本，我们还需要确定好 我们需要爬的是手机版本的数据 还是PC版本的数据，因为PC和手机版本的数据是有差别不同的，往往手机的数据比较简单，也容易爬一点。再后面就是数据的存储和检索问题，这个舆情数据是采集一个亿的数据量 然后进行分析，这些数据量怎么存储，如果用一台服务器存储 估计查询都是个问题，别说运用了。我们当时采用了5太服务器对这些数据进行分布式存储，分表分区存储。数据量非常大的时候，数据达到几十亿，我们平时搜索查询某个词 是搜不出来的，数据库肯定是卡死崩溃掉了，这个时候就不能用普通的like模糊查询了，我们得需要用搜索引擎，自己搭建一套分布式多线程搜索引擎解决海量数据的搜索问题。
自己研发的 舆情爬虫监控系统
工商企业数据-企信宝-天眼查-企查查360度深度分布式爬虫
我用了2个星期时间完成了 天眼查和启信宝的数据爬虫技术研发， 我们知道很多公司做爬工商的数据作为大项目来运作而且挣了大钱，比如 “企信宝”、“企查查”、“天眼查”等企业，都是做数据起来的，数据的价值是非常大的。第一次爬工商数据的时候 面临的第一个问题就是破解验证码，工商网站做了非常严格的安全控制，每次查询都需输入验证码，而且2017年引进了第二代极速验证码，让我们技术难度又增加了很多，工商的数据有几个亿的数据量，要把这些数据在一个月内跑完 需要足够多的服务器和代理IP ，同时还需要足够好的带宽。当时采用了10太服务器集群，把写好python爬虫部署到各个节点上，数据的时候爬起和监控，需要采用异步处理方式。减去服务器压力，提高爬虫的性能。最后采用python+phantomjs+php+分布式+多线程技术 一个月内把企信宝 的数据全部爬下来了，包括每个企业的商标数据、软著数据、法人数据、股东数据、司法风险数据、舆情数据、人才招聘数据、产品数据、信用评级数据等。这一路来 特别艰难，各种反爬技术的攻克。
爬虫顶级颠覆-国家公安互联网反恐大数据挖掘
爬虫和黑客的区别就是，爬虫是做好事，黑客是做坏事，最近一次秘密帮助公安做了很多数据输出的接口，互联网反恐大数据挖掘分析、监控各种网络犯罪分子，做了很多数据维度的关联和挖掘。
其他爬虫：
其他各种企业数据爬虫、金融客户爬虫、天猫爬虫、淘宝爬虫、菁忧网题库爬虫、飞猪网爬虫、1688供应商爬虫技术各不同等。需要爬虫技术和大数据交流朋友加我qq：2779571288