python面试题——爬虫相关

1、接触过几种爬虫模块

urllib、requests这两种爬虫模块。

2、robots协议是什么？

它就是一个防君子不防小人的协议，网站有一些数据不想被爬虫程序爬取，可以编写robots协议文件，明确指明哪些内容可以爬取哪些不可以爬取。
requests模块中并没有使用硬性的语法对该协议进行生效操作。
在Scrapy框架中在settings.py文件中使用了硬性语法对该协议进行了生效。

3、如何处理验证码？

使用三方的打码平台比如：云打码平台、打码兔。可以用来处理验证码。

4、掌握几种数据解析的方式？

re、xpath(最常用)、bs4(python独有)

5、如何爬取动态加载的页面数据？

selenium； ajax：抓包工具抓取异步发起的请求(url)

6、接触过哪些反爬机制？如何处理？

robots协议、UA、封IP、验证码、动态数据加载、数据加密、token
处理：配置不遵守robots协议、伪装User-Agent、代理IP更换、打码平台对验证码识别、selenium处理或者使用抓包工具去抓取动态加载的AJAX请求数据包、按照已知的各种加密方式进行解密、去前台页面进行token值的查找手动放入请求携带的参数中。

7、在Scrapy中接触过几种爬虫类？

Spider、CrawlSpider（链接提取器和规则解析器）、RedisCrawlSpider、RedisSpider

8、如果实现分布式流程？

必须要通过scrapy-redis组件来实现，可以由RedisCrawlSpider、RedisSpider这两种类分别实现。

9、简述 requests模块的作用及基本使用？

2、requests模块参数，data与json参数的区别？

97、简述 beautifulsoup模块的作用及基本使用？

98、简述 seleninu模块的作用及基本使用?

99、scrapy框架中各组件的工作流程？

100、在scrapy框架中如何设置代理（两种方法）？

101、scrapy框架中如何实现大文件的下载？

102、scrapy中如何实现限速？

103、scrapy中如何实现暂定爬虫？

104、scrapy中如何进行自定制命令？

105、scrapy中如何实现的记录爬虫的深度？

106、scrapy中的pipelines工作原理？

107、scrapy的pipelines如何丢弃一个item对象？

108、简述scrapy中爬虫中间件和下载中间件的作用？

109、scrapy-redis组件的作用？

110、scrapy-redis组件中如何实现的任务的去重？

111、scrapy-redis的调度器如何实现任务的深度优先和广度优先？

112、简述 vitualenv 及应用场景?

113、简述 pipreqs 及应用场景？

114、在Python中使用过什么代码检查工具？

115、简述 saltstack、ansible、fabric、puppet工具的作用？