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 = 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
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？
git实战视频地址：https://www.bilibili.com/video/av70772636