Python高頻面試題目總結(jié)第二彈來(lái)了，正在金九銀十的伙伴可以看過(guò)來(lái)了！
一. 簡(jiǎn)述一下scrapy的基本流程?
scrapy分為9個(gè)步驟：
Spiders需要初始的start_url或則函數(shù)stsrt_requests,會(huì)在內(nèi)部生成Requests給Engine；
Engine將requests發(fā)送給Scheduler;
Engine從Scheduler那獲取requests,交給Download下載；
在交給Dowmload過(guò)程中會(huì)經(jīng)過(guò)Downloader Middlewares(經(jīng)過(guò)process_request函數(shù))；
Dowmloader下載頁(yè)面后生成一個(gè)response，這個(gè)response會(huì)傳給Engine，這個(gè)過(guò)程中又經(jīng)過(guò)了Downloader Middlerwares(經(jīng)過(guò)process_request函數(shù))，在傳送中出錯(cuò)的話經(jīng)過(guò)process_exception函數(shù)；
Engine將從Downloader那傳送過(guò)來(lái)的response發(fā)送給Spiders處理，這個(gè)過(guò)程經(jīng)過(guò)Spiders Middlerwares(經(jīng)過(guò)process_spider_input函數(shù))；
Spiders處理這個(gè)response，返回Requests或者Item兩個(gè)類型，傳給Engine，這個(gè)過(guò)程又經(jīng)過(guò)Spiders Middlewares(經(jīng)過(guò)porcess_spider_output函數(shù))；
Engine接收返回的信息，如果使Item，將它傳給Items Pipeline中；如果是Requests,將它傳給Scheduler，繼續(xù)爬蟲(chóng)；
重復(fù)第三步，直至沒(méi)有任何需要爬取的數(shù)據(jù)
二. python3.5語(yǔ)言中enumerate的意思是
對(duì)于一個(gè)可迭代的（iterable）/可遍歷的對(duì)象（如列表、字符串），enumerate將其組成一個(gè)索引序列，利用它可以同時(shí)獲得索引和值
enumerate多用于在for循環(huán)中得到計(jì)數(shù)
三. 你是否了解谷歌的無(wú)頭瀏覽器？
無(wú)頭瀏覽器即headless browser，是一種沒(méi)有界面的瀏覽器。既然是瀏覽器那么瀏覽器該有的東西它都應(yīng)該有，只是看不到界面而已。
Python中selenium模塊中的PhantomJS即為無(wú)界面瀏覽器（無(wú)頭瀏覽器）:是基于QtWebkit的無(wú)頭瀏覽器。
四. scrapy和scrapy-redis的區(qū)別？
scrapy是一個(gè)爬蟲(chóng)通用框架，但不支持分布式，scrapy-redis是為了更方便的實(shí)現(xiàn)scrapy分布式爬蟲(chóng)，而提供了一些以redis為基礎(chǔ)的組件
為什么會(huì)選擇redis數(shù)據(jù)庫(kù)？
因?yàn)閞edis支持主從同步，而且數(shù)據(jù)都是緩存在內(nèi)存中，所以基于redis的分布式爬蟲(chóng)，對(duì)請(qǐng)求和數(shù)據(jù)的高頻讀取效率非常高
什么是主從同步？
在Redis中，用戶可以通過(guò)執(zhí)行SLAVEOF命令或者設(shè)置slaveof選項(xiàng)，讓一個(gè)服務(wù)器去復(fù)制（replicate）另一個(gè)服務(wù)器，我們稱呼被復(fù)制的服務(wù)器為主服務(wù)器（master），而對(duì)主服務(wù)器進(jìn)行復(fù)制的服務(wù)器則被稱為從服務(wù)器（slave），當(dāng)客戶端向從服務(wù)器發(fā)送SLAVEOF命令，要求從服務(wù)器復(fù)制主服務(wù)器時(shí)，從服務(wù)器首先需要執(zhí)行同步操作，也即是，將從服務(wù)器的數(shù)據(jù)庫(kù)狀態(tài)更新至主服務(wù)器當(dāng)前所處的數(shù)據(jù)庫(kù)狀態(tài)
五. scrapy的優(yōu)缺點(diǎn)？為什么要選擇scrapy框架？
優(yōu)點(diǎn)：
采取可讀性更強(qiáng)的xpath代替正則 強(qiáng)大的統(tǒng)計(jì)和log系統(tǒng) 同時(shí)在不同的url上爬行 支持shell方式，方便獨(dú)立調(diào)試 寫(xiě)middleware,方便寫(xiě)一些統(tǒng)一的過(guò)濾器 通過(guò)管道的方式存入數(shù)據(jù)庫(kù)
缺點(diǎn)：
基于python爬蟲(chóng)框架，擴(kuò)展性比較差，基于twisted框架，運(yùn)行中exception是不會(huì)干掉reactor，并且異步框架出錯(cuò)后是不會(huì)停掉其他任務(wù)的，數(shù)據(jù)出錯(cuò)后難以察覺(jué)
六. scrapy和requests的使用情況？
requests 是 polling 方式的，會(huì)被網(wǎng)絡(luò)阻塞，不適合爬取大量數(shù)據(jù)
scapy 底層是異步框架 twisted ，并發(fā)是最大優(yōu)勢(shì)
七. 描述一下scrapy框架的運(yùn)行機(jī)制？
從start_urls里面獲取第一批url發(fā)送請(qǐng)求，請(qǐng)求由請(qǐng)求引擎給調(diào)度器入請(qǐng)求對(duì)列，獲取完畢后，調(diào)度器將請(qǐng)求對(duì)列交給下載器去獲取請(qǐng)求對(duì)應(yīng)的響應(yīng)資源，并將響應(yīng)交給自己編寫(xiě)的解析方法做提取處理，如果提取出需要的數(shù)據(jù)，則交給管道處理，如果提取出url，則繼續(xù)執(zhí)行之前的步驟，直到多列里沒(méi)有請(qǐng)求，程序結(jié)束。
八. 寫(xiě)爬蟲(chóng)使用多進(jìn)程好，還是用多線程好？
IO密集型代碼(文件處理、網(wǎng)絡(luò)爬蟲(chóng)等)，多線程能夠有效提升效率(單線程下有IO操作會(huì)進(jìn)行IO等待，造成不必要的時(shí)間浪費(fèi)，而開(kāi)啟多線程能在線程A等待時(shí)，自動(dòng)切換到線程B，可以不浪費(fèi)CPU的資源，從而能提升程序執(zhí)行效率)。在實(shí)際的數(shù)據(jù)采集過(guò)程中，既考慮網(wǎng)速和響應(yīng)的問(wèn)題，也需要考慮自身機(jī)器的硬件情況，來(lái)設(shè)置多進(jìn)程或多線程
九. 常見(jiàn)的反爬蟲(chóng)和應(yīng)對(duì)方法？
基于用戶行為，同一個(gè)ip段時(shí)間多次訪問(wèn)同一頁(yè)面 利用代理ip，構(gòu)建ip池
請(qǐng)求頭里的user-agent 構(gòu)建user-agent池（操作系統(tǒng)、瀏覽器不同，模擬不同用戶）
動(dòng)態(tài)加載（抓到的數(shù)據(jù)和瀏覽器顯示的不一樣），js渲染 模擬ajax請(qǐng)求，返回json形式的數(shù)據(jù)
selenium / webdriver 模擬瀏覽器加載
對(duì)抓到的數(shù)據(jù)進(jìn)行分析
加密參數(shù)字段 會(huì)話跟蹤【cookie】 防盜鏈設(shè)置【Referer
十. 分布式爬蟲(chóng)主要解決什么問(wèn)題？
面對(duì)海量待抓取網(wǎng)頁(yè)，只有采用分布式架構(gòu)，才有可能在較短時(shí)間內(nèi)完成一輪抓取工作。
它的開(kāi)發(fā)效率是比較快而且簡(jiǎn)單的。
后面的高頻Python面試題也在繼續(xù)為大家總結(jié)中?？衫^續(xù)關(guān)注！
聯(lián)系客服
