Python面试重点（爬虫篇）
注意：只有必答题部分计算分值，补充题不计算分值。
第一部分 必答题
注意：第31题1分，其他题均每题3分。
-
了解哪些基于爬虫相关的模块？
requestsurllib -
常见的数据解析方式？
BS4xpath正则匹配 -
列举在爬虫过程中遇到的哪些比较难的反爬机制？
robots协议、UA检测、动态数据加载、代理、动态变化的请求参数、cookie、js混淆和加密 -
简述如何抓取动态加载数据？
通常情况下，动态变化的请求参数的值都会被隐藏在前台页面中, 基于抓包工具进行全局搜索（基于js逆向获取相关的数据值） -
移动端数据如何抓取？
使用fiddler进行数据抓包 -
抓取过哪些类型的数据，量级多少？
古诗文 2000，企查查 20000 -
了解哪些爬虫框架？
scrapy -
谈谈对scrapy的了解？
scrapy框架是一个高性能、高并发的异步框架 -
如何解析出携带标签的局部页面数据？
格式: xpath('./标签/text()') -
scrapy核心组件？
引擎、调度器、下载器、爬虫、项目管道
-
scrapy中间件的应用？
作用：拦截请求和响应,修改请求头 -
如何实现全站数据爬取？
使用CrawlSpider进行站的数据爬取， Rule(link,callback,fllow=True):规则解析器 follow=True：将链接提取器 继续作用到 链接提取器 提取到的链接 对应的页面源码中 -
如何检测网站数据更新？
将爬取过的网页的URL存储到redis等数据库中，再次爬取的时候，将获取到的url与数据库中的url对比，如果数据库中没有，继续爬取 -
分布式爬虫实现原理？
运用Scrapy框架+scrapy-redis组件 可以给原生的scrapy框架提供可以被共享的管道和调度器，修改调度器的配置，与redis数据库连接， -
如何提升爬取数据的效率（异步爬虫）
使用代理服务器， 开发分布式爬虫 -
列举你接触的反爬机制？
UA检测、动态页面抓取、cookie，js加密、混淆 -
什么是深度优先和广度优先（优劣）
深度优先：是对每一个可能的分支路径深入到不能再深入为止，而且每个节点只能访问一次。 广度优先：系统地展开并检查图中的所有节点，以找寻结果 -
scrapy如何实现持久化存储
基于管道的持久化存储： 在配置文件中开启管道机制，在管道文件中定义好持久化存储的类 -
谈谈对crawlspider的理解，如何使用其进行深度爬取
scrapy genspider -t crawl 爬虫文件 域名 CrawlSpider使用rules属性来决定爬虫的爬取规则，并将匹配后的url请求提交给引擎,完成后续的爬取工作。 在rules中包含一个或多个Rule对象，每个Rule对爬取网站的动作定义了某种特定操作，比如提取当前相应内容里的特定链接，是否对提取的链接跟进爬取，对提交的请求设置回调函数等。 深度爬取是将rules中的follow=True：将链接提取器 继续作用到 链接提取器 提取到的链接 对应的页面源码中 -
如何实现数据清洗？
数据清洗的对象主要是：缺失值、异常值、重复值和噪音处理 使用pandas对数据进行处理 -
了解过机器学习吗？
运用数据训练模型，实现预测 -
在爬虫中为什么需要是用selenium？selenium和爬虫之间的关联是什么？
实现一些不容易用爬虫代码爬取到的页面，模拟手动页面浏览 selenium能用程序驱动做无头浏览器 -
列举你所熟知的selenium模块中的常用方法及其作用
https://selenium-python.readthedocs.io/installation.html -
解释在多任务异步协程中事件循环（loop）的作用是什么？
-
多任务异步协程是如何实现异步的？
使用asyncio和aiohttp -
验证码如何处理？
使用超级鹰打码平台+动作链 -
scrapy 和 scrapy-redis 有什么区别？
scrapy 是一个通用的爬虫框架，其功能比较完善，可以迅速的写一个简单爬虫，并且跑起来。 scrapy-redis是为了更方便地实现scrapy分布式爬取，而提供了一些以redis为基础的组件（注意，scrapy-redis只是一些组件，而不是一个完整的框架） -
说一说打开浏览器访问 www.baidu.com 获取到结果，整个流程。
在浏览器的地址中输入内容，浏览器发送一个get请求，服务器根据请求的内容，发送一个响应，然后，浏览器解析服务器发送回来的数据 -
列出你知道 header 的内容以及信息
User-Agent：产生请求的浏览器类型 Accept：client端可识别的内容类型列表 Host：请求的主机名，允许多个域名同处一个ip地址，即虚拟主机 -
简述scrapy的去重原理？
1.Scrapy本身自带有一个中间件; 2.scrapy源码中可以找到一个dupefilters.py去重器; 3.需要将dont_filter设置为False开启去重，默认是false去重，改为True,就是没有开启去重； 4 .对于每一个url的请求，调度器都会根据请求得相关信息加密得到一个指纹信息，并且将指纹信息和set()集合中的指纹信息进 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;5.如果set()集合中没有存在这个加密后的数据，就将这个Request对象放入队列中，等待被调度 -
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 D -
简述前序、中序、后续遍历？
-
写代码：实现一个冒泡排序。
-
写代码：实现一个快速排序。
第二部分 补充题
-
列举常见用的git命令？
# 设置提交代码时的用户信息 git config [-global] user.name "[name]" git config [-global] user.email "[email address]" 14.git rm $ git rm [file1] [file2] ... 删除工作区文件，并且将这次删除放入暂存区 15.其他 # 列出所有本地分支$ git branch # 列出所有远程分支$ git branch -r # 列出所有本地分支和远程分支$ git branch -a # 新建一个分支，但依然停留在当前分支$ git branch [branch-name] # 新建一个分支，并切换到该分支$ git checkout -b [branch] # 新建一个分支，指向指定commit $ git branch [branch] [commit] # 新建一个分支，与指定的远程分支建立追踪关系 $ git branch --track [branch] [remote-branch] # 切换到指定分支，并更新工作区$ git checkout [branch-name] # 切换到上一个分支$ git checkout -b # 建立追踪关系，在现有分支与指定的远程分支之间 $ git branch --set-upstream [branch] [remote-branch] # 合并指定分支到当前分支 $ git merge [branch] # 选择一个commit，合并进当前分支 $ git cherry-pick [commit] # 删除分支$ git branch -d [branch-name] # 删除远程分支 $ git push origin --delete [branch-name] $ git branch -dr [remote/branch] -
你们公司/团队用怎么做的协同开发？
git
-
公司如何做代码review？谁来做？
-
线上代码如果出现bug如何解决？
先创建一个分支，将代码调试完成后提交到创建好的分支中，然后在进行合并 -
git rebase的作用？