千锋Python学堂 / Python基础教... / 金九银十,你准备好了吗?没点Python面试...

0 0

   

金九银十,你准备好了吗?没点Python面试题干货怎么行?(一)

2019-09-11  千锋Pytho...

职场人没有不知道:金三银四,金九银十 的说法儿吧,今天干货奉上,100个Python面试高频题目。

金九银十,你准备好了吗?没点Python面试题干货怎么行?(一)

一. 遇到过得反爬虫策略以及解决方法?

1.通过headers反爬虫

2.基于用户行为的发爬虫:(同一IP短时间内访问的频率)

3.动态网页反爬虫(通过ajax请求数据,或者通过JavaScript生成)

4.对部分数据进行加密处理的(数据是乱码)

解决方法:

对于基本网页的抓取可以自定义headers,添加headers的数据

使用多个代理ip进行抓取或者设置抓取的频率降低一些,

动态网页的可以使用selenium + phantomjs 进行抓取

对部分数据进行加密的,可以使用selenium进行截图,使用python自带的pytesseract库进行识别,但是比较慢最直接的方法是找到加密的方法进行逆向推理。

二. urllib 和 urllib2 的区别?

  • urllib 和urllib2都是接受URL请求的相关模块,但是urllib2可以接受一个Request类的实例来设置URL请求的headers,urllib仅可以接受URL。urllib不可以伪装你的User-Agent字符串。

  • urllib提供urlencode()方法用来GET查询字符串的产生,而urllib2没有。这是为何urllib常和urllib2一起使用的原因。

三. 列举网络爬虫所用到的网络数据包,解析包?

  • 网络数据包 urllib、urllib2、requests

  • 解析包 re、xpath、beautiful soup、lxml

四. 简述一下爬虫的步骤?

  1. 确定需求;

  2. 确定资源;

  3. 通过url获取网站的返回数据;

  4. 定位数据;

  5. 存储数据。

五. 遇到反爬机制怎么处理?

反爬机制:

headers方向

判断User-Agent、判断Referer、判断Cookie。

将浏览器的headers信息全部添加进去

注意:Accept-Encoding;gzip,deflate需要注释掉

六. 常见的HTTP方法有哪些?

  • GET:请求指定的页面信息,返回实体主体;

  • HEAD:类似于get请求,只不过返回的响应中没有具体的内容,用于捕获报头;

  • POST:向指定资源提交数据进行处理请求(比如表单提交或者上传文件),。数据被包含在请求体中。

  • PUT:从客户端向服务端传送数据取代指定的文档的内容;

  • DELETE:请求删除指定的页面;

  • CONNNECT:HTTP1.1协议中预留给能够将连接方式改为管道方式的代理服务器;

  • OPTIONS:允许客户端查看服务器的性能;

  • TRACE:回显服务器的请求,主要用于测试或者诊断。

七. 说一说redis-scrapy中redis的作用?

它是将scrapy框架中Scheduler替换为redis数据库,实现队列管理共享。

优点:

  1. 可以充分利用多台机器的带宽;

  2. 可以充分利用多台机器的IP地址。

八. 遇到的反爬虫策略以及解决方法?

  1. 通过headers反爬虫:自定义headers,添加网页中的headers数据。

  2. 基于用户行为的反爬虫(封IP):可以使用多个代理IP爬取或者将爬取的频率降低。

  3. 动态网页反爬虫(JS或者Ajax请求数据):动态网页可以使用 selenium + phantomjs 抓取。

  4. 对部分数据加密处理(数据乱码):找到加密方法进行逆向推理。

九. 如果让你来防范网站爬虫,你应该怎么来提高爬取的难度 ?

  1. 判断headers的User-Agent;

  2. 检测同一个IP的访问频率;

  3. 数据通过Ajax获取;

  4. 爬取行为是对页面的源文件爬取,如果要爬取静态网页的html代码,可以使用jquery去模仿写html。

十. scrapy分为几个组成部分?分别有什么作用?

分为5个部分;Spiders(爬虫类),Scrapy Engine(引擎),Scheduler(调度器),Downloader(下载器),Item Pipeline(处理管道)。

  • Spiders:开发者自定义的一个类,用来解析网页并抓取指定url返回的内容。

  • Scrapy Engine:控制整个系统的数据处理流程,并进行事务处理的触发。

  • Scheduler:接收Engine发出的requests,并将这些requests放入到处理列队中,以便之后engine需要时再提供。

  • Download:抓取网页信息提供给engine,进而转发至Spiders。

  • Item Pipeline:负责处理Spiders类提取之后的数据。

  • 比如清理HTML数据、验证爬取的数据(检查item包含某些字段)、查重(并丢弃)、将爬取结果保存到数据库中

    本站是提供个人知识管理的网络存储空间,所有内容均由用户发布,不代表本站观点。如发现有害或侵权内容,请点击这里 或 拨打24小时举报电话:4000070609 与我们联系。

    猜你喜欢

    0条评论

    发表

    请遵守用户 评论公约

    类似文章 更多
    喜欢该文的人也喜欢 更多