Python爬虫常见问题(1)，2024年最新高级面试问题-CSDN博客

本文链接：https://blog.csdn.net/m0_60732644/article/details/137895204

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Python全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Python知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024c （备注Python）

正文

（2）增量爬取就是不重复下载已经下载过的，让网址池记住那些已经下载过的URL；

（3）断点续爬，就是上次还没有爬取的URL这次接着爬，还是让网址池记住那些还没被爬取的URL

（4）爬虫的去重，让网址池记录URL的状态以避免重复爬取。

第五个问题、爬虫的部署问题，在公司是不是分布式爬虫系统比较多会涉及部署问题

爬虫的部署，不一定是分布式的。大规模的爬虫，突破了目标网站限制的爬虫才会涉及到分布式，分布式的好处是抓取速度提高，但是管理会比较复杂。

第六个问题、网页的自动解析？这个话题就包含很多子任务了：怎么自动抽取文章的内容，如何处理各种各样的时间格式，怎样处理翻页

（1）文章内容的提取，基本的是每种网页建立一个提取模板（正则表达式），好处是提取精准，坏处是工作量大，一旦稍微改版就失败。通过算法建立单一提取程序，基本上都可以提取，但是可能会有写杂质，比如文末的相关阅读。好处是，一劳永逸，不受改版限制。

（2）时间的提取，除了正则表达式之外似乎没有特别有效的方法。

（3）翻页的话，如果只是抓取，把该页的url提取出来继续抓；如何在提取内容时要把多页内容合并成一个网页，那就要特别处理。

第七个问题、爬新闻类的网站时，如何做好同一新闻，各网站相互转载，爬取时文本去重

比较著名的算法是，Google的simhash，但具体实践中比较复杂。网传百度的做法是把文章的最长一句话（或多句）做hash，这个hash值就是文章的唯一性代表（指纹），这个方法准确率很高，但是召回率比较低，一旦这最长的几句话改一个字就不能召回；我改进了该方法，对n句最长的话分别做hash，一个文章由n个指纹（如图人的是个指头指纹都不一样）确定唯一性。准确率和召回率都还不错。

第八个问题、异步爬虫的设计

（1）一个好的URL管理策略，见猿人学上的网址池相关文章；

网址池是一个“生产者-消费者”模型，爬虫从中取出url去下载，下载的html中提取新的url放入池中，告诉url池刚才拿出的url是否下载成功；再从池中取出url进行下载。。。url池是核心部件，它记录url的不同状态：

（a）下载成功

（b）下载失败n次

（c）正在下载

每次往池子添加url时都要检查url在池中的状态，避免重复下载。

（2）一个好的异步协程管理策略，见猿人学网站上的大规模异步新闻爬虫的文章。

每次从urlpool中提取n个url，生成n个异步下载的协程，通过一个变量记录协程的个数（也就是正在下载网页的个数）。

大规模异步新闻爬虫：实现功能强大、简洁易用的网址池(URL Pool)
大规模异步新闻爬虫：用asyncio实现异步爬虫
异步URL管理异步实现见这个两个URL

做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。

别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。