python爬虫面试真题及答案

0|1第一部分 必答题

注意：第31题1分，其他题均每题3分。

1，了解哪些基于爬虫相关的模块？- 网络请求：urllib，requests，aiohttp

- 数据解析：re，xpath，bs4，pyquery

- selenium

- js逆向：pyexcJs

2，常见的数据解析方式？- re、lxml、bs4

3，列举在爬虫过程中遇到的哪些比较难的反爬机制？

- 动态加载的数据

- 动态变化的请求参数

- js加密

- 代理

- cookie

4，简述如何抓取动态加载数据？- 基于抓包工具进行全局搜索

- 如果动态加载的数据是密文，则全局搜索是搜索不到

5，移动端数据如何抓取？- fiddler，appnium，网络配置

6，抓取过哪些类型的数据，量级多少？- 电商，医疗器械，彩妆，新闻资讯，金融，体育赛事(参考hao123网站)

- 量级：

- 最好不要超过100w。自己计算(页数，一页显示多少数据)

7，了解哪些爬虫框架？- scrapy，pyspider

8，谈谈对scrapy的了解？- 功能：数据解析，持久化存储，深度爬取，分布式，关键件

- 五大核心组件的作用和工作流程

9，如何解析出携带标签的局部页面数据？- bs4

10，scrapy核心组件？- spider，引擎，调度器，下载器，管道

11，scrapy中间件的应用？- 作用：拦截请求和响应

- 拦截请求：设置代理

12，如何实现全站数据爬取？- 基于手动请求发送+递归解析

- 基于CrwalSpider(LinkExtractor，Rule)

13，如何检测网站数据更新？- 增量式爬虫

14，分布式爬虫实现原理？- 基于scrapy-redis实现的分布式。

15，如何提升爬取数据的效率(异步爬虫)- 使用框架

- 线程池，多任务的异步协程

- 分布式

16，列举你接触的反爬机制？ua检测、封ip、js混淆、参数加密、数据加密，动态加载

17，什么是深度优先和广度优先(优劣)- 默认情况下scrapy是深度优先。

- 深度优先：占用空间大，但是运行速度快

- 广度优先：占用空间少，运行速度慢

18，scrapy如何实现持久化存储

- 解析数据

- 将解析的数据封装到item中

- 将item提交管道

- 在管道中持久化存储

- 开启管道

19，谈谈对crawlspider的理解，如何使用其进行深度爬取- 链接提取器&规则解析器

20，如何实现数据清洗？

- 清洗空值(缺失值)

- 将空对应的行数据删除.dropna

- 使用近邻值填充空值.fillna

- 清洗重复值

- 重复的行数据删除：drop_duplicates()

- 清洗异常值

- 一定要有一个判定异常值的条件

21，了解过机器学习吗？

- 特征工程

- 特征预处理

- 归一化，标准化

- 特征值化

- 将非数值型的数据转换成数值型的数据

- 降维

- sklean框架

- 线性回归，KNN，贝叶斯

- 补充：

1.树模型：决策树

2.集成模型：随机森林

- 深度学习框架：

- tensorflow

22，在爬虫中为什么需要是用selenium？selenium和爬虫之间的关联么？selenium和爬虫之间的关联是什么？

- 爬取动态加载的数据

- 模拟登录

23，列举你所熟知的selenium模块中的常用方法及其作用

24，解释在多任务异步协程中事件循环(loop)的作用是什么？- 可以将注册在其内部的任务对象表示的特定操作进行异步执行

25，多任务异步协程是如何实现异步的？- 一个任务对象就是一个协程也是一组特定的操作，将任务对象注册到事件循环中，就可以异步的执行每一组特定的操作

- wait方法，await关键字

26，验证码如何处理？- 打码平台

27，scrapy 和 scrapy-redis 有什么区别？- scrapy-redis这个组件可以给scrapy框架提供共享的管道和调度器实现分布式爬虫

28，说一说打开浏览器访问 www.baidu.com 获取到结果，整个流程。

1.域名解析成IP

2.与目的主机进行TCP连接(三次握手)

3.发送和接收数据

29，列出你知道 header 的内容以及信息- User-Agent

- Connection

30，简述scrapy的去重原理？需要将dont_filter设置为False开启去重，默认是False；

对于每一个url的请求，调度器都会根据请求的相关信息加密得到一个指纹信息，并且将指纹信息和set()集合中得指纹信息进行比对，如果set()集合中已经存在这个数据，就不在将这个Request放入队列中。如果set()集合中没有，就将这个Request对象放入队列中，等待被调度。

31，下列叙述中错误的是：(1分)A.栈是线性结构 B.队列是线性结构

C.线性列表是线性结构 D.二叉树是线性结构

32，简述前序、中序、后续遍历？

跟左右

左跟右

左右跟

33，写代码：实现一个冒泡排序。

def sort(alist):

length = len(alist)for j in range(length-1)for i in range(length-1-j):if alist[i] > alist[i+1]:

alist[i],alist[i+1] = alist[i+1],alist[i]return alist

alist = [3,8,5,2,0,7,6]print(sort(alist))

34，写代码：实现一个快速排序。

def sort(alist,left,right):

low = left

hight = rightif low < high:return

mid = alist[low]while low < high:while low < high:if alist[high] < mid:

alist[low] = alist[high]breakelse:

high -= 1while low < high:if alist[low] < mid:

low += 1else:

alist[high] = alist[low]breakif low == high:

alist[low] = mid

sort(alist,left,low-1)

sort(alist,high+1,right)return alist

0|1第二部分 补充题

1，列举常见用的git命令？

2，你们公司/团队用怎么做的协同开发？

3，公司如何做代码review？谁来做？

4，线上代码如果出现bug如何解决？

5，git rebase的作用？

__EOF__