職場人沒有不知道：金三銀四，金九銀十 的說法兒吧，今天干貨奉上，100個Python面試高頻題目。

一. 遇到過得反爬蟲策略以及解決方法?

1.通過headers反爬蟲

2.基于用戶行為的發(fā)爬蟲：(同一IP短時間內訪問的頻率)

3.動態(tài)網(wǎng)頁反爬蟲(通過ajax請求數(shù)據(jù)，或者通過JavaScript生成)

4.對部分數(shù)據(jù)進行加密處理的(數(shù)據(jù)是亂碼)

解決方法：

對于基本網(wǎng)頁的抓取可以自定義headers,添加headers的數(shù)據(jù)

使用多個代理ip進行抓取或者設置抓取的頻率降低一些，

動態(tài)網(wǎng)頁的可以使用selenium + phantomjs 進行抓取

對部分數(shù)據(jù)進行加密的，可以使用selenium進行截圖，使用python自帶的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。

二. urllib 和 urllib2 的區(qū)別？

• urllib 和urllib2都是接受URL請求的相關模塊，但是urllib2可以接受一個Request類的實例來設置URL請求的headers，urllib僅可以接受URL。urllib不可以偽裝你的User-Agent字符串。

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

三. 列舉網(wǎng)絡爬蟲所用到的網(wǎng)絡數(shù)據(jù)包，解析包？

• 網(wǎng)絡數(shù)據(jù)包 urllib、urllib2、requests

• 解析包 re、xpath、beautiful soup、lxml

四. 簡述一下爬蟲的步驟？

1. 確定需求；

2. 確定資源；

3. 通過url獲取網(wǎng)站的返回數(shù)據(jù)；

4. 定位數(shù)據(jù)；

5. 存儲數(shù)據(jù)。

五. 遇到反爬機制怎么處理？

反爬機制:

headers方向

判斷User-Agent、判斷Referer、判斷Cookie。

將瀏覽器的headers信息全部添加進去

注意：Accept-Encoding；gzip,deflate需要注釋掉

六. 常見的HTTP方法有哪些？

• GET：請求指定的頁面信息，返回實體主體；

• HEAD:類似于get請求，只不過返回的響應中沒有具體的內容，用于捕獲報頭；

• POST：向指定資源提交數(shù)據(jù)進行處理請求(比如表單提交或者上傳文件)，。數(shù)據(jù)被包含在請求體中。

• PUT:從客戶端向服務端傳送數(shù)據(jù)取代指定的文檔的內容；

• DELETE：請求刪除指定的頁面；

• CONNNECT：HTTP1.1協(xié)議中預留給能夠將連接方式改為管道方式的代理服務器；

• OPTIONS:允許客戶端查看服務器的性能；

• TRACE：回顯服務器的請求，主要用于測試或者診斷。

七. 說一說redis-scrapy中redis的作用?

它是將scrapy框架中Scheduler替換為redis數(shù)據(jù)庫，實現(xiàn)隊列管理共享。

優(yōu)點：

1. 可以充分利用多臺機器的帶寬；

2. 可以充分利用多臺機器的IP地址。

八. 遇到的反爬蟲策略以及解決方法?

1. 通過headers反爬蟲：自定義headers，添加網(wǎng)頁中的headers數(shù)據(jù)。

2. 基于用戶行為的反爬蟲(封IP)：可以使用多個代理IP爬取或者將爬取的頻率降低。

3. 動態(tài)網(wǎng)頁反爬蟲(JS或者Ajax請求數(shù)據(jù))：動態(tài)網(wǎng)頁可以使用 selenium + phantomjs 抓取。

4. 對部分數(shù)據(jù)加密處理(數(shù)據(jù)亂碼):找到加密方法進行逆向推理。

九. 如果讓你來防范網(wǎng)站爬蟲，你應該怎么來提高爬取的難度 ？

1. 判斷headers的User-Agent；

2. 檢測同一個IP的訪問頻率；

3. 數(shù)據(jù)通過Ajax獲??；

4. 爬取行為是對頁面的源文件爬取，如果要爬取靜態(tài)網(wǎng)頁的html代碼，可以使用jquery去模仿寫html。

十. scrapy分為幾個組成部分？分別有什么作用？

分為5個部分；Spiders(爬蟲類)，Scrapy Engine(引擎),Scheduler(調度器),Downloader(下載器),Item Pipeline(處理管道)。

• Spiders:開發(fā)者自定義的一個類，用來解析網(wǎng)頁并抓取指定url返回的內容。

• Scrapy Engine:控制整個系統(tǒng)的數(shù)據(jù)處理流程，并進行事務處理的觸發(fā)。

• Scheduler：接收Engine發(fā)出的requests，并將這些requests放入到處理列隊中，以便之后engine需要時再提供。

• Download：抓取網(wǎng)頁信息提供給engine，進而轉發(fā)至Spiders。

• Item Pipeline:負責處理Spiders類提取之后的數(shù)據(jù)。

• 比如清理HTML數(shù)據(jù)、驗證爬取的數(shù)據(jù)(檢查item包含某些字段)、查重(并丟棄)、將爬取結果保存到數(shù)據(jù)庫中