Python爬虫工程师面试问题总结


            注：答案一般在网上都能够找到。



1.对if __name__ == 'main'的理解陈述



2.python是如何进行内存管理的？



3.请写出一段Python代码实现删除一个list里面的重复元素



4.Python里面如何拷贝一个对象？（赋值，浅拷贝，深拷贝的区别）



5.介绍一下except的用法和作用？



6.Python中__new__与__init__方法的区别



7.常用的网络数据爬取方法



8.遇到过得反爬虫策略以及解决方法



9.urllib 和 urllib2 的区别



10.设计一个基于session登录验证的爬虫方案



11.列举网络爬虫所用到的网络数据包，解析包



12.熟悉的爬虫框架



13.Python在服务器的部署流程，以及环境隔离



14.Django 和 Flask 的相同点与不同点，如何进行选择？



15.写一个Python中的单例模式



16.Linux部署服务脚本命令(包括启动和停止的shell脚本)



17.你用过多线程和异步嘛？除此之外你还用过什么方法来提高爬虫效率？



18.POST 与 GET的区别

1）对if __name__ == 'main'的理解陈述



__name__是当前模块名，当模块被直接运行时模块名为__main__，也就是当前的模块，当模块被导入时，模块名就不是__main__，即代码将不会执行。

2）python是如何进行内存管理的？



a、对象的引用计数机制

python内部使用引用计数，来保持追踪内存中的对象，Python内部记录了对象有多少个引用，即引用计数，当对象被创建时就创建了一个引用计数，当对象不再需要时，这个对象的引用计数为0时，它被垃圾回收。



b、垃圾回收



1>当一个对象的引用计数归零时，它将被垃圾收集机制处理掉。



2>当两个对象a和b相互引用时，del语句可以减少a和b的引用计数，并销毁用于引用底层对象 的名称。然而由于每个对象都包含一个对其他对象的应用，因此引用计数不会归零，对象也不会销毁。（从而导致内存泄露）。为解决这一问题，解释器会定期执行一个循环检测器，搜索不可访问对象的循环并删除它们。



c、内存池机制



Python提供了对内存的垃圾收集机制，但是它将不用的内存放到内存池而不是返回给操作系统。



1>Pymalloc机制。为了加速Python的执行效率，Python引入了一个内存池机制，用于管理 对小块内存的申请和释放。



2>Python中所有小于256个字节的对象都使用pymalloc实现的分配器，而大的对象则使用 系统的malloc。



3>对于Python对象，如整数，浮点数和List，都有其独立的私有内存池，对象间不共享他们的内存池。也就是说如果你分配又释放了大量的整数，用于缓存这些整数的内存就不能再分配给浮点数。

3）请写出一段Python代码实现删除一个list里面的重复元素







# 1.使用set函数

list = [1, 3, 4, 5, 51, 2, 3]

set(list)

# 2.使用字典函数，

>>> a = [1, 2, 4, 2, 4, 5, 6, 5, 7, 8, 9, 0]

>>> b = {}

>>> b = b.fromkeys(a)

>>> c = list(b.keys())

>>> c



4）Python里面如何拷贝一个对象？（赋值，浅拷贝，深拷贝的区别）



赋值（=），就是创建了对象的一个新的引用，修改其中任意一个变量都会影响到另一个。



浅拷贝：创建一个新的对象，但它包含的是对原始对象中包含项的引用（如果用引用的方式修改其中一个对象，另外一个也会修改改变）{1,完全切片方法;2，工厂函数，如list();3，copy模块的copy()函数}



深拷贝：创建一个新的对象，并且递归的复制它所包含的对象（修改其中一个，另外一个不会改变）{copy模块的deep.deepcopy()函数}

5）介绍一下except的用法和作用？



try…except…except…else…



执行try下的语句，如果引发异常，则执行过程会跳到except语句。对每个except分支顺序尝试执行，如果引发的异常与except中的异常组匹配，执行相应的语句。如果所有的except都不匹配，则异常会传递到下一个调用本代码的最高层try代码中。



try下的语句正常执行，则执行else块代码。如果发生异常，就不会执行如果存在finally语句，最后总是会执行。

6）Python中__new__与__init__方法的区别



__new__:它是创建对象时调用，会返回当前对象的一个实例，可以用__new__来实现单例



__init__:它是创建对象后调用，对当前对象的一些实例初始化，无返回值

7）常用的网络数据爬取方法





  正则表达式

  Beautiful Soup

  Lxml



8）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。



9）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。

10）设计一个基于session登录验证的爬虫方案



11）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



12）熟悉的爬虫框架



Scrapy框架 根据自己的实际情况回答



13）Python在服务器的部署流程，以及环境隔离



14）Django 和 Flask 的相同点与不同点，如何进行选择？



15）写一个Python中的单例模式







class Singleton(object):

_instance = None

def __new__(cls, *args, **kw):

if not cls._instance:

cls._instance = super(Singleton, cls).__new__(cls, *args, **kw) 

return cls._instance

class MyClass(Singleton): 

a = 1

one = MyClass()

two = MyClass()

id(one) = id(two)

>>> True



16）Linux部署服务脚本命令(包括启动和停止的shell脚本)



17）你用过多线程和异步嘛？除此之外你还用过什么方法来提高爬虫效率？





  scrapy-redis 分布式爬取

  对于定向爬取可以用正则取代xpath

  



18）POST与 GET的区别





  GET数据传输安全性低，POST传输数据安全性高，因为参数不会被保存在浏览器历史或web服务器日志中；

  在做数据查询时，建议用GET方式；而在做数据添加、修改或删除时，建议用POST方式；

  GET在url中传递数据，数据信息放在请求头中；而POST请求信息放在请求体中进行传递数据；

  GET传输数据的数据量较小，只能在请求头中发送数据，而POST传输数据信息比较大，一般不受限制；

  在执行效率来说，GET比POST好



19）什么是lambda函数？它有什么好处?



lambda 表达式，通常是在需要一个函数，但是又不想费神去命名一个函数的场合下使用，也就是指匿名函数



lambda函数：首要用途是指点短小的回调函数







lambda [arguments]:expression

>>> a=lambdax,y:x+y

>>> a(3,11)