python爬虫面试宝典(常见问题)

1. 是否了解线程的同步和异步？
   线程同步：多个线程同时访问同一资源，等待资源访问结束，浪费时间，效率低
   线程异步：在访问资源时在空闲等待时同时访问其他资源，实现多线程机制

2. 是否了解网络的同步和异步？
   同步：提交请求->等待服务器处理->处理完毕返回 这个期间客户端浏览器不能干任何事
   异步: 请求通过事件触发->服务器处理（这是浏览器仍然可以作其他事情）->处理完毕

3. 链表和顺序表储存时各自有什么优点？

   1. 顺序表存储
      原理：顺序表存储是将数据元素放到一块连续的内存存储空间，存取效率高，速度快。但是不可以动态增加长度
      优点：存取速度高效，通过下标来直接存储
      缺点：1.插入和删除比较慢，2.不可以增长长度
      比如：插入或者删除一个元素时，整个表需要遍历移动元素来重新排一次顺序

   2. 链表存储
      原理：链表存储是在程序运行过程中动态的分配空间，只要存储器还有空间，就不会发生存储溢出问题
      优点：插入和删除速度快，保留原有的物理顺序，比如：插入或者删除一个元素时，只需要改变指针指向即可
      缺点：查找速度慢，因为查找时，需要循环链表访问

4. 使用redis搭建分布式系统时如何处理网络延迟和网络异常？
   由于网络异常的存在，分布式系统中请求结果存在“三态”的概念，即三种状态：“成功”、“失败”、“超时（未知）”
   当出现“超时”时可以通过发起读取数据的操作以验证 RPC 是否成功（例如银行系统的做法）
   另一种简单的做法是，设计分布式协议时将执行步骤设计为可重试的，即具有所谓的“幂等性”

5. 数据仓库是什么？
   数据仓库是一个面向主题的、集成的、稳定的、反映历史变化的、随着时间的流逝发生变化的数据集合。它主要支持管理人员的决策分析。
   数据仓库收集了企业相关内部和外部各个业务系统数据源、归档文件等一系列历史数据，最后转化成企业需要的战略决策信息。
   特点：
   面向主题：根据业务的不同而进行的内容划分；
   集成特性：因为不同的业务源数据具有不同的数据特点，当业务源数据进入到数据仓库时，需要采用统一的编码格式进行数据加载，从而保证数据仓库中数据的唯一性；
   非易失性：数据仓库通过保存数据不同历史的各种状态，并不对数据进行任何更新操作。
   历史特性：数据保留时间戳字段，记录每个数据在不同时间内的各种状态。
   假设有一个爬虫，从网络上获取数据的频率快，本地写入数据的频率慢，使用什么数据结构好？

6. 你是否了解谷歌的无头浏览器？
   无头浏览器即headless browser，是一种没有界面的浏览器。既然是浏览器那么浏览器该有的东西它都应该有，只是看不到界面而已。
   Python中selenium模块中的PhantomJS即为无界面浏览器（无头浏览器）:是基于QtWebkit的无头浏览器，

7. 你是否了解MySQL数据库的几种引擎？
   InnoDB：
   InnoDB是一个健壮的事务型存储引擎，这种存储引擎已经被很多互联网公司使用，为用户操作非常大的数据存储提供了一个强大的解决方案。
   在以下场合下，使用InnoDB是最理想的选择：

   1. 更新密集的表。InnoDB存储引擎特别适合处理多重并发的更新请求。

   2. 事务。InnoDB存储引擎是支持事务的标准MySQL存储引擎。

   3. 自动灾难恢复。与其它存储引擎不同，InnoDB表能够自动从灾难中恢复。

   4. 外键约束。MySQL支持外键的存储引擎只有InnoDB。

   5. 支持自动增加列AUTO_INCREMENT属性。

   一般来说，如果需要事务支持，并且有较高的并发读取频率，InnoDB是不错的选择。

   MEMORY：
   使用MySQL Memory存储引擎的出发点是速度。为得到最快的响应时间，采用的逻辑存储介质是系统内存。

   虽然在内存中存储表数据确实会提供很高的性能，但当mysqld守护进程崩溃时，所有的Memory数据都会丢失。

   获得速度的同时也带来了一些缺陷。

   一般在以下几种情况下使用Memory存储引擎：

   1. 目标数据较小，而且被非常频繁地访问。在内存中存放数据，所以会造成内存的使用，可以通过参数max_heap_table_size控制Memory表的大小，设置此参数，就可以限制Memory表的最大大小。

   2. 如果数据是临时的，而且要求必须立即可用，那么就可以存放在内存表中。

   3. 存储在Memory表中的数据如果突然丢失，不会对应用服务产生实质的负面影响。