@beiciye 对的，是安全部门的，欢迎老哥来投

@ImACat 可以直接在我们内推平台搜索下，应该都是网络和基础组件相关的岗位

菲律宾比索，货币编码：PHP

目标设置小一点，一年三篇，多了算加更 http://blog.fatezero.org/

免费的 https://github.com/fate0/proxylist 了解一下

@slideclick 简单的方法就是转成 c 代码，需要保密的代码我直接用 go 写

@jason0916 功能多不多，主要看 dev protocol 开放的接口多不多，chrome 61 之后多了个 Network.requestIntercepted，看到这个 method，我就觉得 headless chrome 能够写爬虫了。

@chengxiao 区别是更接近 Dev Protocol 吧，selenium 依赖 ChromeDriver，然而 ChromeDriver 还是使用 Dev Protocol 来操作 chrome (这段话单讲 chrome...)

```
sleep 1 && echo 'content' | mail -s 'title' [email protected]
```

@samray 另外使用整个 request 进行 hash 还是 只使用 url 进行 hash，也可以在 dupefilter 里修改，都不是特别难。

@samray 可能我说的不清楚，我现在说的就是分布式爬虫的情况，可以稍微修改一下 scrapy-redis 里的 dupefilter 文件，不使用之前 redis set 去重的方式，在这里改成使用 bloom filter，将 bloom filter 所使用的 bit 数组用 Redis 的 bitmap 进行存取。其他地方不需要修改。

@samray 1000+w 的数据去重也可以用 bloom filter 啊，就用 Redis 的 bitmap 存 bit 数组就可以了。

@samray https://github.com/aivarsk/scrapy-proxies 这代码也是从一个文本读内容啊，完全可以自己实现一个 download middleware 从 redis 里取。

@samray 这不算什么问题吧，出现 exception 就换下一个代理，商业代理偶尔也有抽风的时候，也会出现下一刻不可用，就看换代理的频率是不是可以接收的范围内。

@samray readme 里说可以全加载到内存，只不过想体现这个程序的方便而已，我个人喜欢把所有的代理都放在 redis 里，每间隔 15min 就把 proxylist 拉下来换一批，2000+个代理，15min 内一般项目一般都够用了，用 proxylist 的优点是自己不用再维护一个 proxy pool, 缺点是没法给每个 proxy 打分统计、proxylist 上的代理，可能在某个地区没法使用。

代理部分，下次可以试试我写的代理程序 [https://www.v2ex.com/t/369905]( https://www.v2ex.com/t/369905) (｡・`ω´･)

@inmyfree 之前也想抓这个网站，但是这个网站更新的速度是小时级的...后期可能会加上去，不过数据肯定不是全抓下来。

@v1024 拿 travis 干这事感觉挺好的，免费、方便、不被墙 =。=

@mingyun 那几个网站被国内墙了呗，等着看其他网站的结果就好了。