Python：金九银十，Python高频面试题（第二弹）

Python高频面试题目总结第二弹来了，正在金九银十的伙伴可以看过来了！

一. 简述一下scrapy的基本流程?

scrapy分为9个步骤：

• Spiders需要初始的start_url或则函数stsrt_requests,会在内部生成Requests给Engine；
• Engine将requests发送给Scheduler;
• Engine从Scheduler那获取requests,交给Download下载；
• 在交给Dowmload过程中会经过Downloader Middlewares(经过process_request函数)；
• Dowmloader下载页面后生成一个response，这个response会传给Engine，这个过程中又经过了
  Downloader Middlerwares(经过process_request函数)，在传送中出错的话经过process_exception函数；
• Engine将从Downloader那传送过来的response发送给Spiders处理，这个过程经过Spiders
• Middlerwares(经过process_spider_input函数)；
• Spiders处理这个response，返回Requests或者Item两个类型，传给Engine，这个过程又经过Spiders
  Middlewares(经过porcess_spider_output函数)；
• Engine接收返回的信息，如果使Item，将它传给Items
  Pipeline中；如果是Requests,将它传给Scheduler，继续爬虫；

重复第三步，直至没有任何需要爬取的数据

二. python3.5语言中enumerate的意思是

对于一个可迭代的（iterable）/可遍历的对象（如列表、字符串），enumerate将其组成一个索引序列，利用它可以同时获得索引和值

enumerate多用于在for循环中得到计数

三. 你是否了解谷歌的无头浏览器？

无头浏览器即headless browser，是一种没有界面的浏览器。既然是浏览器那么浏览器该有的东西它都应该有，只是看不到界面而已。

Python中selenium模块中的PhantomJS即为无界面浏览器（无头浏览器）:是基于QtWebkit的无头浏览器。

四. scrapy和scrapy-redis的区别？

scrapy是一个爬虫通用框架，但不支持分布式，scrapy-redis是为了更方便的实现scrapy分布式爬虫，而提供了一些以redis为基础的组件

为什么会选择redis数据库？

因为redis支持主从同步，而且数据都是缓存在内存中，所以基于redis的分布式爬虫，对请求和数据的高频读取效率非常高

什么是主从同步？

在Redis中，用户可以通过执行SLAVEOF命令或者设置slaveof选项，让一个服务器去复制（replicate）另一个服务器，我们称呼被复制的服务器为主服务器（master），而对主服务器进行复制的服务器则被称为从服务器（slave），当客户端向从服务器发送SLAVEOF命令，要求从服务器复制主服务器时，从服务器首先需要执行同步操作，也即是，将从服务器的数据库状态更新至主服务器当前所处的数据库状态

五. scrapy的优缺点？为什么要选择scrapy框架？

优点：

采取可读性更强的xpath代替正则 强大的统计和log系统 同时在不同的url上爬行 支持shell方式，方便独立调试 写middleware,方便写一些统一的过滤器 通过管道的方式存入数据库

缺点：

基于python爬虫框架，扩展性比较差，基于twisted框架，运行中exception是不会干掉reactor，并且异步框架出错后是不会停掉其他任务的，数据出错后难以察觉

六. scrapy和requests的使用情况？

requests 是 polling 方式的，会被网络阻塞，不适合爬取大量数据

scapy 底层是异步框架 twisted ，并发是最大优势

七. 描述一下scrapy框架的运行机制？

从start_urls里面获取第一批url发送请求，请求由请求引擎给调度器入请求对列，获取完毕后，调度器将请求对列交给下载器去获取请求对应的响应资源，并将响应交给自己编写的解析方法做提取处理，如果提取出需要的数据，则交给管道处理，如果提取出url，则继续执行之前的步骤，直到多列里没有请求，程序结束。

八. 写爬虫使用多进程好，还是用多线程好？

IO密集型代码(文件处理、网络爬虫等)，多线程能够有效提升效率(单线程下有IO操作会进行IO等待，造成不必要的时间浪费，而开启多线程能在线程A等待时，自动切换到线程B，可以不浪费CPU的资源，从而能提升程序执行效率)。在实际的数据采集过程中，既考虑网速和响应的问题，也需要考虑自身机器的硬件情况，来设置多进程或多线程

九. 常见的反爬虫和应对方法？

基于用户行为，同一个ip段时间多次访问同一页面 利用代理ip，构建ip池
请求头里的user-agent 构建user-agent池（操作系统、浏览器不同，模拟不同用户）
动态加载（抓到的数据和浏览器显示的不一样），js渲染 模拟ajax请求，返回json形式的数据
selenium / webdriver 模拟浏览器加载
对抓到的数据进行分析
加密参数字段 会话跟踪【cookie】 防盗链设置【Referer

十. 分布式爬虫主要解决什么问题？

面对海量待抓取网页，只有采用分布式架构，才有可能在较短时间内完成一轮抓取工作。

它的开发效率是比较快而且简单的。

后面的高频Python面试题也在继续为大家总结中。可继续关注！