干货 | 2020十大Python面试题，你会几个？

0 遇到过得反爬虫策略以及解决方法?

1. 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。

1 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。

2 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

3 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。

4 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

5 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。

图片

6 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。

7 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。

8 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。

9 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

10 简述一下scrapy的基本流程?

图片

scrapy分为9个步骤：

1. Spiders需要初始的start_url或则函数stsrt_requests,会在内部生成Requests给Engine；
2. Engine将requests发送给Scheduler;
3. Engine从Scheduler那获取requests,交给Download下载；
4. 在交给Dowmload过程中会经过Downloader Middlewares(经过process_request函数)；
5. Dowmloader下载页面后生成一个response，这个response会传给Engine，这个过程中又经过了Downloader Middlerwares(经过process_request函数)，在传送中出错的话经过process_exception函数；
6. Engine将从Downloader那传送过来的response发送给Spiders处理，这个过程经过Spiders Middlerwares(经过process_spider_input函数)；
7. Spiders处理这个response，返回Requests或者Item两个类型，传给Engine，这个过程又经过Spiders Middlewares(经过porcess_spider_output函数)；
8. Engine接收返回的信息，如果使Item，将它传给Items Pipeline中；如果是Requests,将它传给Scheduler，继续爬虫；