预训练数据工程师

岗位描述：设计和优化大规模Web爬虫的URL发现与调度系统，持续扩大数据覆盖面；建设多因子抓取优先级体系，在有限资源下最大化高质量页面的获取效率；主导反爬对抗和动态渲染方案，提升核心站点的抓取成功率；建立数据质量评估闭环，实现从域名到页面的多层级质量管控；优化大规模数据处理管线的性能和稳定性。 岗位要求：具备大规模搜索引擎或Web爬虫系统实战经验，做过百亿级以上URL池的全链路；深入理解全网URL发现的多种手段；熟悉主流反爬机制及对抗方案；具备扎实的分布式数据处理能力，熟悉Spark、Flink等；有大模型预训练语料采集和清洗经验者优先。