python爬虫面试题及答案-Python面试题爬虫篇(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
1.域名解析成IP2.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。
defsort(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]returnalist
alist= [3,8,5,2,0,7,6]print(sort(alist))
34，写代码：实现一个快速排序。
defsort(alist,left,right):
low=left
hight=rightif low
alist[low]=alist[high]break
else:
high-= 1
while low
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
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？