Python面试题爬虫篇小结(附答案)

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 https://www.jb51.net 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 = right
    if low < high:
        return
    
    mid = alist[low]
    while low < high:
        while low < high:
            if alist[high] < mid:
                alist[low] = alist[high]
                break
            else:
                high -= 1
        while low < high:
            if alist[low] < mid:
                low += 1
            else:
                alist[high] = alist[low]
                break
    if low == high:
       alist[low] = mid
    sort(alist,left,low-1)
    sort(alist,high+1,right)
    return alist

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？

到此这篇关于Python面试题爬虫篇小结(附答案)的文章就介绍到这了,更多相关Python爬虫面试题内容请搜索脚本之家以前的文章或继续浏览下面的相关文章，希望大家以后多多支持脚本之家！