史上最全Python-爬蟲工程師-面試題,有這一篇就夠了

1、對ifname == 'main'的理解陳述
name是當前模塊名,當模塊被直接運行時模塊名爲main,也就是當前的模塊,當模塊被導入時,模塊名就不是main,即代碼將不會執行。
2、python是如何進行內存管理的?
a、對象的引用計數機制
python內部使用引用計數,來保持追蹤內存中的對象,Python內部記錄了對象有多少個引用,即引用計數,當對象被創建時就創建了一個引用計數,當對象不再需要時,這個對象的引用計數爲0時,它被垃圾回收。
b、垃圾回收
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,並銷燬用於引用底層對象 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,對象也不會銷燬。(從而導致內存泄露)。爲解決這一問題,解釋器會定期執行一個循環檢測器,搜索不可訪問對象的循環並刪除它們。
c、內存池機制
Python提供了對內存的垃圾收集機制,但是它將不用的內存放到內存池而不是返回給操作系統。
1>Pymalloc機制。爲了加速Python的執行效率,Python引入了一個內存池機制,用於管理 對小塊內存的申請和釋放。
2>Python中所有小於256個字節的對象都使用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,都有其獨立的私有內存池,對象間不共享他們的內存池。也就是說如果你分配又釋放了大量的整數,用於緩存這些整數的內存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裏面的重複元素

# 1.使用set函數
list = [1, 3, 4, 5, 51, 2, 3]
set(list)
# 2.使用字典函數,

#1.使用set函數
list = [1, 3, 4, 5, 51, 2, 3]
set(list)
#.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裏面如何拷貝一個對象?(賦值,淺拷貝,深拷貝的區別)
賦值(=),就是創建了對象的一個新的引用,修改其中任意一個變量都會影響到另一個。
淺拷貝:創建一個新的對象,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模塊的copy()函數}
深拷貝:創建一個新的對象,並且遞歸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模塊的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newinit方法的區別
new:它是創建對象時調用,會返回當前對象的一個實例,可以用_new_來實現單例 
init__:它是創建對象後調用,對當前對象的一些實例初始化,無返回值
7、常用的網絡數據爬取方法
正則表達式
Beautiful Soup
Lxml
8、遇到過得反爬蟲策略以及解決方法
1.通過headers反爬蟲
2.基於用戶行爲的發爬蟲:(同一IP短時間內訪問的頻率)
3.動態網頁反爬蟲(通過ajax請求數據,或者通過JavaScript生成)
4.對部分數據進行加密處理的(數據是亂碼)
解決方法:
對於基本網頁的抓取可以自定義headers,添加headers的數據
使用多個代理ip進行抓取或者設置抓取的頻率降低一些,
動態網頁的可以使用selenium + phantomjs 進行抓取
對部分數據進行加密的,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。
9、urllib 和 urllib2 的區別
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不可以僞裝你的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。這是爲何urllib常和urllib2一起使用的原因。
10、設計一個基於session登錄驗證的爬蟲方案
11、列舉網絡爬蟲所用到的網絡數據包,解析包
網絡數據包 urllib、urllib2、requests
解析包 re、xpath、beautiful soup、lxml
12、熟悉的爬蟲框架
Scrapy框架 根據自己的實際情況回答
13、Python在服務器的部署流程,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 = 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部署服務腳本命令(包括啓動和停止的shell腳本)
17、你用過多線程和異步嘛?除此之外你還用過什麼方法來提高爬蟲效率?
scrapy-redis 分佈式爬取
對於定向爬取可以用正則取代xpath
18、POST與 GET的區別
GET數據傳輸安全性低,POST傳輸數據安全性高,因爲參數不會被保存在瀏覽器歷史或web服務器日誌中;
在做數據查詢時,建議用GET方式;而在做數據添加、修改或刪除時,建議用POST方式;
GET在url中傳遞數據,數據信息放在請求頭中;而POST請求信息放在請求體中進行傳遞數據;
GET傳輸數據的數據量較小,只能在請求頭中發送數據,而POST傳輸數據信息比較大,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 表達式,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調函數

lambda [arguments]:expression
>>> a=lambdax,y:x+y
>>> a(3,11)
發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章