Python爬蟲工程師面試問題總結，python爬蟲

Python爬蟲工程師面試問題總結，python爬蟲

註：答案一般在網上都能夠找到。

1.對if __name__ == 'main'的理解陳述

2.python是如何進行記憶體管理的？

3.請寫出一段Python代碼實現刪除一個list裡面的重複元素

4.Python裡面如何拷貝一個對象？（賦值，淺拷貝，深拷貝的區別）

5.介紹一下except的用法和作用？

6.Python中__new__與__init__方法的區別

7.常用的網路資料爬取方法

8.遇到過得反爬蟲策略以及解決方案

9.urllib 和 urllib2 的區別

10.設計一個基於session登入驗證的爬蟲方案

11.列舉網路爬蟲所用到的網路資料包，解析包

12.熟悉的爬蟲架構

13.Python在伺服器的部署流程，以及環境隔離

14.Django 和 Flask 的相同點與不同點，如何進行選擇？

15.寫一個Python中的單例模式

16.Linux部署服務指令碼命令(包括啟動和停止的shell指令碼)

17.你用過多線程和非同步嘛？除此之外你還用過什麼方法來提高爬蟲效率？

18.POST 與 GET的區別

1）對if __name__ == 'main'的理解陳述

__name__是當前模組名，當模組被直接運行時模組名為__main__，也就是當前的模組，當模組被匯入時，模組名就不是__main__，即代碼將不會執行。

2）python是如何進行記憶體管理的？

a、對象的引用計數機制
python內部使用引用計數，來保持追蹤記憶體中的對象，Python內部記錄了對象有多少個引用，即引用計數，當對象被建立時就建立了一個引用計數，當對象不再需要時，這個對象的引用計數為0時，它被記憶體回收。

b、記憶體回收

1>當一個對象的引用計數歸零時，它將被垃圾收集機制處理掉。

2>當兩個對象a和b相互引用時，del語句可以減少a和b的引用計數，並銷毀用於引用底層對象 的名稱。然而由於每個對象都包含一個對其他對象的應用，因此引用計數不會歸零，對象也不會銷毀。（從而導致記憶體泄露）。為解決這一問題，解譯器會定期執行一個迴圈檢測器，搜尋不可訪問對象的迴圈並刪除它們。

c、記憶體池機制

Python提供了對記憶體的垃圾收集機制，但是它將不用的記憶體放到記憶體池而不是返回給作業系統。

1>Pymalloc機制。為了加速Python的執行效率，Python引入了一個記憶體池機制，用於管理 對小塊記憶體的申請和釋放。

2>Python中所有小於256個位元組的對象都使用pymalloc實現的分配器，而大的對象則使用 系統的malloc。

3>對於Python對象，如整數，浮點數和List，都有其獨立的私人記憶體池，對象間不共用他們的記憶體池。也就是說如果你分配又釋放了大量的整數，用於緩衝這些整數的記憶體就不能再分配給浮點數。

3）請寫出一段Python代碼實現刪除一個list裡面的重複元素

# 1.使用set函數list = [1, 3, 4, 5, 51, 2, 3]set(list)# 2.使用字典函數，>>> 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裡面如何拷貝一個對象？（賦值，淺拷貝，深拷貝的區別）

賦值（=），就是建立了對象的一個新的引用，修改其中任意一個變數都會影響到另一個。

淺拷貝：建立一個新的對象，但它包含的是對原始對象中包含項的引用（如果用引用的方式修改其中一個對象，另外一個也會修改改變）{1,完全切片方法;2，工廠函數，如list();3，copy模組的copy()函數}

深拷貝：建立一個新的對象，並且遞迴的複製它所包含的對象（修改其中一個，另外一個不會改變）{copy模組的deep.deepcopy()函數}

5）介紹一下except的用法和作用？

try…except…except…else…

執行try下的語句，如果引發異常，則執行過程會跳到except語句。對每個except分支順序嘗試執行，如果引發的異常與except中的異常組匹配，執行相應的語句。如果所有的except都不匹配，則異常會傳遞到下一個調用本代碼的最高層try代碼中。

try下的語句正常執行，則執行else塊代碼。如果發生異常，就不會執行如果存在finally語句，最後總是會執行。

6）Python中__new__與__init__方法的區別

__new__:它是建立對象時調用，會返回當前對象的一個執行個體，可以用__new__來實現單例

__init__:它是建立對象後調用，對當前對象的一些執行個體初始化，無傳回值

7）常用的網路資料爬取方法

• Regex
• Beautiful Soup
• Lxml

8）遇到過得反爬蟲策略以及解決方案

1.通過headers反爬蟲

2.基於使用者行為的發爬蟲：(同一IP短時間內訪問的頻率)

3.動態網頁反爬蟲(通過ajax請求資料，或者通過JavaScript產生)

4.對部分資料進行加密處理的(資料是亂碼)

解決方案：

對於基本網頁的抓取可以自訂headers,添加headers的資料

使用多個代理ip進行抓取或者設定抓取的頻率降低一些，動態網頁的可以使用selenium + phantomjs 進行抓取

對部分資料進行加密的，可以使用selenium進行，使用python內建的pytesseract庫進行識別，但是比較慢最直接的方法是找到加密的方法進行逆向推理。

9）urllib 和 urllib2 的區別

urllib 和urllib2都是接受URL請求的相關模組，但是urllib2可以接受一個Request類的執行個體來設定URL請求的headers，urllib僅可以接受URL。urllib不可以偽裝你的User-Agent字串。

urllib提供urlencode()方法用來GET查詢字串的產生，而urllib2沒有。這是為何urllib常和urllib2一起使用的原因。

10）設計一個基於session登入驗證的爬蟲方案

11）列舉網路爬蟲所用到的網路資料包，解析包

網路資料包 urllib、urllib2、requests

解析包 re、xpath、beautiful soup、lxml

12）熟悉的爬蟲架構

Scrapy架構 根據自己的實際情況回答

13）Python在伺服器的部署流程，以及環境隔離

14）Django 和 Flask 的相同點與不同點，如何進行選擇？

15）寫一個Python中的單例模式

class Singleton(object):_instance = Nonedef __new__(cls, *args, **kw):if not cls._instance:cls._instance = super(Singleton, cls).__new__(cls, *args, **kw) return cls._instanceclass MyClass(Singleton): a = 1one = MyClass()two = MyClass()id(one) = id(two)>>> True

16）Linux部署服務指令碼命令(包括啟動和停止的shell指令碼)

17）你用過多線程和非同步嘛？除此之外你還用過什麼方法來提高爬蟲效率？

• scrapy-redis 分布式爬取
• 對於定向爬取可以用正則取代xpath
  

18）POST與 GET的區別

• GET資料轉送安全性低，POST傳輸資料安全性高，因為參數不會被儲存在瀏覽器曆史或web伺服器日誌中；
• 在做資料查詢時，建議用GET方式；而在做資料添加、修改或刪除時，建議用POST方式；
• GET在url中傳遞資料，資料資訊放在要求標頭中；而POST請求資訊放在請求體中進行傳遞資料；
• GET傳輸資料的資料量較小，只能在要求標頭中發送資料，而POST傳輸資料資訊比較大，一般不受限制；
• 在執行效率來說，GET比POST好

19）什麼是lambda函數？它有什麼好處?

lambda 運算式，通常是在需要一個函數，但是又不想費神去命名一個函數的場合下使用，也就是指匿名函數

lambda函數：首要用途是指點短小的回呼函數

lambda [arguments]:expression>>> a=lambdax,y:x+y>>> a(3,11)