前言
学完Python的你,是不是也会有这样的疑惑?去到一家心仪的公司,会很好奇人家公司面试官会问一些什么样的问题?会出一些什么样的笔试题?而对于个人的话又该准备哪些知识点呢?
上网一搜索,就会出现一大片,仔细翻阅都是一些很基础的题目,也没什么参考价值。今天,就我的个人经验结合网上一些热门的内容,给即将找工作的你一些建议与信息,希望能对你有所帮助。
文章内所有涉及到的信息它们大部分均来自第三方公司面经高频总结,包括但不限于个人的一些面试场景、行业朋友的信息分享、热门的一些话题。这些内容在创业公司又或者头部企业都出现过。在这里为了保证第三方隐私性,并不会按照企业来划分这些信息的出处
面试技巧传授
有时候看到很多朋友说很紧张。其实这是一个正常的现象,保持平常心就好。面试就是一个相互了解的过程并没有多么恐怖!等你慢慢经历成长以后会发现曾经的自己还是那么稚嫩。但是如此糟糕的表现也可能会导致错失offer
当你觉得自己充分的准备好了面试以后,你应该先找几个感觉对自己会存在一定技术挑战的公司,但是并不是强制要求自己特别意向想要去的公司去投递简历面试一下,这个阶段一般会暴露出来很多问题。只要面试官的技术实力够强,那么在面试的过程中,他问到你的一些问题,必然会触及到你的盲区。你会发现,刚开始面试的头三四家公司,每家公司聊的都不太顺畅,每家公司总有那么几个问题没回答好,最后可能都没拿到offer。但是这个阶段给你带来的好处是在这个过程中发现了自己技术栈的薄弱点,应该尽快通过第三方途径手机的资料去填补好自己的欠缺项,不断的去总结与吸收就好
Python笔试
笔试在很多互联网公司中都会出现,尤其是一些规模稍大的公司中。大这些笔试的题目都是由谁出的呢?可以很明确的告诉大家,大部分都是相关的开发人员所出。他们会在网上搜一搜相关题材、然后自己可能会改一改。很多都没有经过长期的信效度考验,缺少难度控制,笔试题目我个人觉得其实是没法去真实考核出面试者的个人能力,何况它还有漏题的风险。就像现在一样,卷成了人均Hard算法。
之所以会有笔试这个环节,真实目的就是能够快速把不合格的人和运气不够好的人快速过滤掉。从海量合格人选,注意!是合格人选中,相当粗糙但远优于随机地挑选出一小批合格可能性非常非常高的p<0.01的面试集合,让面试官接触。这才是互联网企业的招聘核心成本:人力成本。面试中成功与否不光取决于你的能力,当然也可以说跟运气占点边
基础题
高频题(面试常问)|Python 的 yield 关键字有什么作用?
保存当前运行状态,然后暂停执行,即将函数挂起。yield关键字后面表达式的值作为返回值返回。当使用next()、send()函数从断点处继续执行
Python中【args】【kwargs】 是什么?
- 可变参数的处理
- args 打包成 tuple
- kwargs 被打包成 dict
Python的列表和元组有什么区别?
- 可变与不可变(列表是可变的而元组是不可变的)
- 速度(元组比列表更快)
并发与并行的区别?
- 并发不是并行,但看起来像是同时运行的,单个cpu和多道技术就可以实现并发。并行也属于并发,指的是同时运行,只有具备多个cpu才能实现并行
下面代码会输出什么?
list = ['1','2','3','4','5']
print(list[10:])
'''
这是一个坑!很e心的操作,代码将输出[],它并不会产生我们脑海中预期的IndexError错误'''
处理一个大小为8G的文件,但是内存只有4G!如何实现以及需要考虑的问题?
from mmap import mmap def get_lines(f_p): with open(f_p,"r+") as f: m = mmap(f.fileno(), 0) tmp = 0 for i, char in enumerate(m): if char==b"\n": yield m[tmp:i+1].decode() tmp = i+1 if __name__=="__main__": for i in get_lines("file/path"): print(i)
内存只有4G无法一次性读入8G文件,需要分批读入数据且记录每次读入数据的位置。分批每次读取数据的大小,太小的话会在读取操作花费过多时间
请按value值进行排序: d= {‘a’:30,‘g’:50,‘i’:12,‘k’:23}
sorted(d.items(),key=lambda x:x[1])
介绍一下进程同步锁的概念
- 进程之间数据不共享,但是共享同一套文件系统,所以访问同一个文件或者打印终端是可以的。共享带来了竞争,竞争的结果就是混乱。解决办法就是加锁处理。加锁可以保证多个进程修改同一块数据时,同一时间只能有一个任务可以进行修改,即串行的修改,没错,速度是慢了,但牺牲了速度却保证了数据安全
python是如何进行内存管理的?
- python采用的是基于值的内存管理方式,如果为不同变量赋值相同值,则在内存中只有一份该值,多个变量指向同一块内存地址
高频题(面试常问)|Python中的深拷贝和浅拷贝有什么区别?
- copy.copy(浅拷贝) 只拷贝父对象,不会拷贝对象的内部的子对象
- copy.deepcopy( 深拷贝) 拷贝对象及其子对象
高频题(面试常问)|Python垃圾回收机制
- PyObject是每个对象必有的内容,其中ob_refcnt就是做为引用计数。当一个对象有新的引用时,它的ob_refcnt就会增加,当引用它的对象被删除,它的ob_refcnt就会减少。引用计数为0时,该对象生命就结束了
- 优点:【简单、实时性】
- 缺点:【维护引用计数消耗资源、循环引用】
- 【标记-清除机制】基本思路是先按需分配,等到没有空闲内存的时候从寄存器和程序栈上的引用出发,遍历以对象为节点、以引用为边构成的图,把所有可以访问到的对象打上标记,然后清扫一遍内存空间,把所有没标记的对象释放
- 【分代技术】分代回收的整体思想是:将系统中的所有内存块根据其存活时间划分为不同的集合,每个集合就成为一个“代”,垃圾收集频率随着“代”的存活时间的增大而减小,存活时间通常利用经过几次垃圾回收来度量
Python支持多少种序列?
- Python是支持7种序列类型的分别是:str,list,tuple,unicode,byte array,xrange和buffer。其中xrange在python 3.5.X中已被弃用
当Python退出时,为什么不是所有的内存都被解除分配?
- 当python退出时,尤其是那些对其他对象具有循环引用的Python模块或者从全局名称空间引用的对象并不总是被解除分配或释放。由于python拥有自己的高效清理机制,无法解除分配保留的那些内存部分会在退出时尝试取消分配/销毁其他所有对象
Python2/3的差异点?
- print 成为函数
- 编码问题3不再有Unicode对象,默认str就是Unicode
- Python3除法返回浮点数
- 类型注解
def Test(name: str) -> str: return 'Test' + name
- 优化的super()方便调用父类函数
- 高级解包操作: a, b, *res = range(10)
- 限定关键词参数
- Python3重新抛出异常不会丢失栈信息(raise from)
- 一切返回迭代器:range, zip, map, dict.values
- yield form 链接子生成器
- asyncio内置库,asyn/await 原生协程支持异步编程
Python中静态方法、类方法、成员函数作用是什么?
- 静态方法是一种普通函数,就位于类定义的命名空间中,它不会对任何实例类型进行操作。使用装饰器@staticmethod定义静态方法。类对象和实例都可以调用静态方法
- 类方法是将类本身作为对象进行操作的方法。类方法使用@classmethod装饰器定义,其第一个参数是类,约定写为cls
生成器、迭代器的区别?
- 生成器能做到迭代器能做的所有事,而且因为自动创建了 iter()和 next()方法,生成器显得特别简洁,而且生成器也是高效的,使用生成器表达式取代列表解析可以同时节省内存。除了创建和保存程序状态的自动方法,当发生器终结时,还会自动抛出 StopIteration 异常
什么是匿名函数,匿名函数有什么局限性
- 就是lambda函数,通常用在函数体比较简单的函数上。匿名函数顾名思义就是函数没有名字,因此不用担心函数名冲突。不过Python对匿名函数的支持有限,只有一些简单的情况下可以使用匿名函数
高频题(面试常问)|函数装饰器有什么作用
- 装饰器本质上是一个Python函数,它可以让其他函数在不需要做任何代码变动的前提下增加额外功能,装饰器的返回值也是一个函数对象。它经常用于有切面需求的场景,比如:插入日志、性能测试、事务处理、缓存、权限校验等场景。有了装饰器,就可以抽离出大量与函数功能本身无关的雷同代码并继续重用
高频题(面试常问)|什么是协程?
- 大家可以自行在网上搜索,属于一个高频题。
简述一下僵尸进程和孤儿进程?
- 孤儿进程:一个父进程退出,而它的一个或多个子进程还在运行,那么那些子进程将成为孤儿进程。孤儿进程将被init进程(进程号为1)所收养,并由init进程对它们完成状态收集工作
- 僵尸进程:一个进程使用fork创建子进程,如果子进程退出,而父进程并没有调用wait或waitpid获取子进程的状态信息,那么子进程的进程描述符仍然保存在系统中。这种进程称之为僵死进程
SQL基础题|in与not in,exists与not exists的区别?
- exist会针对子查询的表使用索引
- not exist会对主子查询都会使用索引
- in与子查询一起使用的时候,只针对主查询使用索引
- not in则不会使用任何索引
- 如果查询的两个表大小相当,那么用in和exists差别不大;如果两个表中一个较小一个较大,则子查询表大的用exists,子查询表小的用in,所以无论哪个表大,用not exists都比not in 要快
SQL基础题|drop、delete 与 truncate 三者的区别?
- delete 用来删除表的全部或者一部分数据行,执行delete 之后,用户需要提交 (commmit) 或者回滚(rollback) 来执行删除或者撤销删除, delete 命令会触发这个表上所有delete 触发器
- truncate 删除表中的所有数据,这个操作不能回滚,也不会触发这个表上的触发器,truncate 比 delete 更快,占用的空间更小
- drop 命令从数据库中删除表,所有的数据行,索引和权限也会被删除,所有的 DML 触发器也不会被触发,这个命令也不能回滚
- 因此,在不再需要一张表的时候,用 drop。在想删除部分数据行时候,用 delete。在保留表而删除所有数据的时候用 truncate
基础爬虫题|使用多线程生产者消费者模式完成网站爬虫
- 代码就不贴了,大家可以去了解一下。自己针对简单的网站写一个Demo,这个题目不光考察面试者的编码能力还有就是设计能力
- 作者在面试爬虫岗遇到过好像有两次吧
笔试高频题|使用python实现单例模式
#__new__方法实现 #实现方法比较多、大家可以自行看看其它实现方法 class SingleTon(object): def __new__(cls,*args,**kwargs): #判断该类是否有实例化对象 if not hasattr(cls,'_instance'): cls._instance = object.__new__(cls,*args,**kwargs) #将实例对象返回 return cls._instance class HelloClass(SingleTon): a = 1 A = HelloClass() B = HelloClass() print A.a,B.a A.a=2 print A.a,B.a print id(A),id(B)
实现一个简单的栈结构(stack)
class Stack(object): def __init__(self): self.value = [] def push(self,x): self.value.append(x) def pop(self): self.value.pop() stack = Stack() stack.push(1) stack.push(2) stack.push(3) print(stack.value) stack.pop() print(stack.value)
Python反向迭代一个序列如何操作?
- 假设是一个list,最快的方法使用reverse
Test_List = [1,2,3...] Test_List.reverse() for i in Test_List: print i
- 假设不是list,需要手动重排
Test_List = (1,2,3...) for i in range(len(Test_List)-1,-1,-1): print Test_List[i]
合并以下两个列表并去重
A = ['a','b','c','d','e','f'] B = ['e','a','x','c','z'] def merge_list(*args): l = set() for i in args: l = l.union(i) print(l) return l merge_list(A,B)
以下两段代码输出一样吗?占用系统资源一样吗?为什么要用xrange代替range?
for i in range(1): print(i) for i in xrange(1): print(i) '''
结果一样,但是占用系统资源不一样,range与xrange均属于可迭代对象,通过循环迭代可以取出其中的值,但是xrange属于惰性可迭代对象,虽然不是迭代器,没有next方法,但是有迭代器一样的性质,不会一次性将数据加载到内存,而是通过延迟加载的方式生成数据,取一个生成一个,节省内存资源,与python3中的range相同
正则表达式操作
其中2020-04-20和zhangsan为变量,使用正则表达式捕获这个url,要求尽量精准’
import re wiste_url = "csdnbot/detail/2020-04-20/zhangsan" r = re.compile('^footbar/homework/(?P<date>[0-9]{4}-[0-9]{2}-[0-9]{2})/(?P<name>w+)$') url = r.findall()
算法题
- 各位读者记得有事没事都可以多刷刷LeetCode上面的题或者看看剑指Offer。我身边的大佬跟我自己所遇到过的面试题基本上99%的公司算法题真的都在这两大神器上出现过,不看你不知道看了是真香啊!
栈在O(1)时间内求min
- 这道题有两个朋友碰到过,大家可以在网上围观一下这道经典的题目
二叉搜索树中第 K 小的元素
- 这道题目某大厂常考!大家可以自行网上搜索围观
按照题目指引给的输入和输出实现一个程序
- 一般就包括排序、树、图等相关题
链表算法
- 输出/删除 单链表倒数第 K 个节点
class Solution: def removeNthFromEnd(self, head: ListNode, n: int) -> ListNode: second = fist = head for i in range(n): # 第一个指针先走 n 步 fist = fist.next if fist == None: # 如果现在第一个指针已经到头了,那么第一个结点就是要删除的结点。 return second.next while fist.next: # 然后同时走,直到第一个指针走到头 fist = fist.next second = second.next second.next = second.next.next # 删除相应的结点 return head
删除链表中节点,要求时间复杂度为O(1)
class Solution: def deleteNode(self, node): next_node=node.next next_nextnode=next_node.next node.val=next_node.val node.next=next_nextnode
反转链表
class Solution: def reverseList(self, head: ListNode) -> ListNode: pre=None # 不断取出和向后移动头节点,并将头节点连接到新头节点后面 while head: next_node=head.next head.next=pre pre=head head=next_node return pre
二叉树的层次遍历
class Node(object): def __init__(self, data, left=None, right=None): self.data = data self.left = left self.right = right tree = Node(1, Node(3, Node(7, Node(0)), Node(6)), Node(2, Node(5), Node(4))) def lookup(root): stack = [root] while stack: current = stack.pop(0) print current.data if current.left: stack.append(current.left) if current.right: stack.append(current.right) def deep(root): if not root: return print root.data deep(root.left) deep(root.right) if __name__ == '__main__': lookup(tree)
判断一棵二叉树是否为另一棵二叉树的子树
class Solution(object): def isSubtree(self, s, t): #用于判断的主函数,递归得遍历s的每一个结点,并将其作为新的根节点,再与t进行比较 if not s: return False return self.isEqual(s,t) or self.isSubtree(s.left,t) or self.isSubtree(s.right,t) #使用or相连,即其中只要有一个s的子树与t相同,则返回True def isEqual(self,S,T): #以S为根节点,判断S和T是否相等 if not S and not T: return True if S and T: if S.val!=T.val: return False return self.isEqual(S.left,T.left) and self.isEqual(S.right,T.right) else: return False
高频算法题|实现一个二分查找的函数
二分查找是一种在有序数组中查找某一特定元素的搜索算法。搜索过程从数组的中间元素开始,如果中间元素正好是要查找的元素,则搜索过程结束;如果某一特定元素大于或者小于中间元素,则在数组大于或小于中间元素的那一半中查找,而且跟开始一样从中间元素开始比较。如果在某一步骤数组为空,则代表找不到。这种搜索算法每一次比较都使搜索范围缩小一半
# 返回 x 在 arr 中的索引,如果不存在返回 -1
def binarySearch (arr, l, r, x):
# 基本判断
if r >= l:
mid = int(l + (r - l)/2)
# 元素整好的中间位置
if arr[mid] == x:
return mid
# 元素小于中间位置的元素,只需要再比较左边的元素
elif arr[mid] > x:
return binarySearch(arr, l, mid-1, x)
# 元素大于中间位置的元素,只需要再比较右边的元素
else:
return binarySearch(arr, mid+1, r, x)
else:
# 不存在
return -1
# 测试数组
arr = [ 2, 3, 4, 10, 40 ]
x = 10
# 函数调用
result = binarySearch(arr, 0, len(arr)-1, x)
if result != -1:
print ("元素在数组中的索引为 %d" % result )
else:
print ("元素不在数组中")
高频手撕|手写冒泡排序
冒泡排序是一种简单直观的排序算法。它重复地走访过要排序的数列,一次比较两个元素如果它们的顺序错误就把他们交换过来。走访数列的工作是重复地进行直到最后没有再需要交换也就是说该数列已经排序完成
# -*- coding:utf-8 -*-
import random
def bubbleSort(arr):
n = len(arr)
for i in range(n):
for j in range(0, n-i-1):
if arr[j] > arr[j+1] :
arr[j], arr[j+1] = arr[j+1], arr[j]
arr=[random.randint(1,100) for _ in range(10)]
print ("排序前:")
print(arr)
bubbleSort(arr)
print ("排序后:")
for i in range(len(arr)):
print ("%d" %arr[i])
高频手撕|手写选择排序
选择排序是一种简单直观的排序算法。它的工作原理是我们依次拿数组里的元素和它后面的元素进行比较大小,找到最小的元素并和该元素交换位置。然后继续拿第二、第三…第N个元素,这样小的数字最终就会排在前面
# -*- coding:utf-8 -*-
import random
def selectSort(lists):
lengh = len(lists)
for i in range(0, lengh-1):
key = i
for j in range(i+1, lengh):
if lists[key] > lists[j]:
lists[key], lists[j] = lists[j], lists[key]
alist = [random.randint(1,100) for _ in range(10)]
print("排序前:")
print(alist)
selectSort(alist)
print("排序后:")
print(alist)
高频手撕|手写快排
先从数据序列中选一个元素,并将序列中所有比该元素小的元素都放到它的右边或左边,再对左右两边分别用同样的方法处之直到每一个待处理的序列的长度为1,处理结束
def partition(arr,low,high):
i = ( low-1 )# 最小元素索引
pivot = arr[high]
for j in range(low , high):
# 当前元素小于或等于 pivot
if arr[j] <= pivot:
i = i+1
arr[i],arr[j] = arr[j],arr[i]
arr[i+1],arr[high] = arr[high],arr[i+1]
return ( i+1 )
def quickSort(arr,low,high):
if low < high:
pi = partition(arr,low,high)
quickSort(arr, low, pi-1)
quickSort(arr, pi+1, high)
alist = [random.randint(1,100) for _ in range(10)]
n = len(alist)
quickSort(alist,0,n-1)
print ("排序后的数组:")
for i in range(n):
print ("%d" %alist[i]),
高频手撕|使用Python实现一个斐波那契数列
nterms = 10 n1 = 0 n2 = 1 count = 2 while count < nterms: nth = n1 + n2 print(nth,end=" , ") # 更新值 n1 = n2 n2 = nth count += 1
网络问题相关
-
网络编程的问题基本每一场面试中较为正规的流程都会出现!
-
说说TCP 和 UDP 的区别
-
什么是粘包? socket 中造成粘包的原因是什么? 哪些情况会发生粘包现象
-
创建一个TCP服务器的流程
-
GET 和 POST 请求有什么区别
-
HTTP 和 HTTPS 的区别
-
经典高频发问:
-
向浏览器发送一个请求到返回中间经历了什么
-
说说三次握手和四次挥手
-
HTTPS 是如何实现安全数据传输的
数据库相关(经典高频)
- 数据库知识很重要!即使你投递的是开发不是DBA,一般的公司基本都会有关于数据库相关知识的面试问题,不是在笔试环节就是在后续跟面试官切磋的环节。你可以不了解数据库底层的基本原理,但是至少要知道索引原理、MySQL的数据引擎、你所经常使用的数据库优缺点等相关知识
解数据库索引吗?描述一下它优缺点?
- 优点:大大加快数据的检索速度,这也是创建索引的最主要的原因、加速表和表之间的连接 、使用分组和排序子句进行数据检索时,同样可以显著减少查询中分组和排序的时间、通过创建唯一性索引,可以保证数据库表中每一行数据的唯一性。
- 缺点:时间方面 创建索引和维护索引要耗费时间,具体地对表中的数据进行增加、删除和修改的时候,索引也要动态的维护,这样就降低了数据的维护速度、空间方面:索引需要占物理空间。
MongoDB做爬虫的话应该经常使用吧?你能说说它的优缺点吗?
- 优点:性能优越、快速!它将热数据存储在物理内存中,使得热数据的读写变得十分快速。第三方支持丰富,自身的 Failover 机制!弱一致性(最终一致),更能保证用户的访问速度。支持多种编程语言。文档结构的存储方式,能够更便捷的获取数据— json 的存储格式。支持大容量的存储,内置 GridFS
- 缺点:主要是无事物机制!MongoDB 不支持事务操作(最主要的缺点)。MongoDB 占用空间过大!MongoDB 没有如 MySQL 那样成熟的维护工具,这对于开发和IT运营都是个值得注意的地方
Redis数据类型有哪些?
- string、hash、List、Set、Sorted Set
说说Redis的应用场景?
- 访问热点数据,减少响应时间,提升吞吐量
- 会话缓存(最常用)
- 消息队列,比如支付
- 动排行榜或计数
- 发布,订阅消息(消息通知)
- 商品列表,评论列表等
高并发场景下数据重复插入如何解决?
- 使用关系型数据库的唯一约束
- Redis 实现分布式锁
如果Redis中的某个列表中的数据量非常大,如何实现循环显示每一个值?
#写个生成器实现
def list_iter(key, count=3):
start = 0
while True:
result = conn.lrange(key, start, start+count-1)
start += count
if not result:
break
for item in result:
yield item
for val in list_iter('num_list'):
print(val)
简述Redis有哪几种持久化策略及比较?
RDB:每隔一段时间对Redis进行一次持久化
- 缺点:数据不完整
- 优点:速度快
AOF:把所有命令保存起来,如果想到重新生成到Redis,那么就要把命令重新执行一次
- 缺点:速度慢,文件比较大
- 优点:数据完整
缓存失效的解决办法?
- 可以搜索缓存重建,Redis高频题!
如何基于Redis实现消息队列?
- Redis并不适合用来做消息队列,业务上避免过度复用一个Redis。选择用它做缓存、做计算比较香。消息队列kafka、MQ它们不香吗?但是代码还是要贴出来的
# 发布者:
import redis
conn = redis.Redis(host='192.168.33.16', port=6379)
conn.publish('a', "点赞关注不迷路!")
# 订阅者:
import redis
conn = redis.Redis(host='192.168.33.16', port=6379)
pub = conn.pubsub()
pub.subscribe('a')
while True:
msg= pub.parse_response()
print(msg)
基于redis如何实现商城商品数量计数器?
- 做过电商系统跟抢票系统的同学对库存这块经验想必是很丰富的
import redis
conn = redis.Redis(host='192.168.33.16', port=6379)
conn.set('count',10000)
with conn.pipeline(transaction=True) as pipe:
# 先监视,自己的值没有被修改过
conn.watch('count')
# 事务开始
pipe.multi()
old_count = conn.get('count')
count = int(old_count)
if count > 0: # 有库存
#库存递减
pipe.set('count', count - 1)
# 执行,把所有命令一次性推送过去
pipe.execute()
MySQL常见数据库引擎及比较
InnoDB
支持事务
支持外键
支持表锁、行锁(for update)
表锁:select * from tb for update
行锁:select id,name from tb where id=2 for update
myisam
查询速度快
全文索引
支持表锁
表锁:select * from tb for update
反爬虫与逆向
- 爬虫这个领域的反爬虫问题就比较多了,而且很深。但是!任何网站的任何反爬虫机制所保护的数据最终都是要需要呈现给用户去欣赏的,我们反推复现一下它是怎么显示到页面的就能找到解决思路,数据它无非会出现在JS内或者HTML内又或者是JSON文件内的其中之一!只不过中间实现的过程增加了不同的反爬Feature这个是需要爬虫工程师去分析的
常见的反爬措施及解决方法?
- IP封禁、验证码、US检测、蜜罐数据、JS加密、签名验证、Cookie反爬
(这里需要注意的是,新一代反爬虫技术已经脱离依赖特征或规则的这种天然缺陷。目前很多公司都会选择一些像网易、数美、瑞数等这样的防护产品,这种情况在实战中大家可以去深入了解一下这些产品的特性,做一下突防)
爬虫职业生涯中遇到过最棘手的反爬机制是什么?最后如何解决的?
- 其实这个问题大家可以根据自己过往的项目经验来说。主要是棘手的套路都差不多,比如ZF相关类型的网站,基本上就是针对IP下手。棘手吗?肯定很棘手!在之前的文章中我说过任何反爬机制都能破解跟绕过,它的实现只不过是时间的问题!但是网站做反爬虫需要做的并不是完全去阻止你的爬虫去爬取数据,而是限制爬虫的很多功能增加爬虫的时间成本、资金成本就够了。某网的反爬机制上午一个Feature,下午一个Feature。这样的谁能受得了吗?当你好不容易分析了一上午的Feature最终完美破解,准备将爬虫投入生产的时候发现新的Feature已经到来
说说APP爬虫流程?如果抓包抓不到数据如何处理?
- 这个问题吧!正常的(容易的)网站它基本流程就是使用抓包工具。保证APP走代理以及证书被信任,然后打开目标app查看是否能抓到包。如果抓不到数据,这个原因就多了。SSLPinning证书问题、代码混淆加密、反抓包SDK…
- APP抓取没有通用的方法,具体问题还需要具体分析,反抓包的话你可以反编译看看反抓包的实现。因为每种类型的APP的反抓包处理方式都会有差别。有一些APP加密的参数在不能逆向或者能力未达到的情况下也是可以使用自动化测试工具。实在不行的话试试web端或者小程序,功能都一样
当你需要处理JavaScript代码中的加密或混淆算法时,你会采取哪些方法来解析和还原这些算法?
- 静态分析和逆向工程:首先,我会使用静态分析工具来检查JavaScript代码,查找可能存在的加密或混淆算法。我会仔细研究代码逻辑、函数调用和变量操作,以尝试理解算法的运行方式和参数。通过逆向工程,我可以尝试还原加密算法的实现逻辑
- 动态调试:我会使用调试器或动态分析工具来动态执行JavaScript代码并观察其行为。这可以帮助我捕获加密或混淆算法在运行时产生的中间结果或解密过程。通过在关键点设置断点,并观察变量和函数调用的值,我可以推断出算法的运行方式
- 字符串和代码解析:加密或混淆算法通常会涉及字符串操作和动态生成的代码。我会仔细分析代码中的字符串,尝试还原它们的原始含义。此外,我会关注代码中的动态生成部分,尝试分析其生成逻辑并还原原始代码
- 共同模式识别:某些加密或混淆算法可能会使用常见的模式或算法实现,例如Base64编码、异或运算等。通过识别这些模式,我可以推测出算法的类型和特征,并采取相应的解密或还原策略
- 参考现有工具和库:针对特定类型的加密或混淆算法,可能已经存在一些开源工具或库可以帮助解析和还原。我会研究和借鉴这些现有的解决方案,并根据需要进行自定义或修改
请解释一下什么是前端加密和后端解密,以及它们在爬虫中的应用
- 前端加密:前端加密是指在客户端(例如浏览器)上对敏感数据进行加密处理。前端加密通常使用JavaScript等前端编程语言来执行加密算法,将数据转换为加密的形式。加密后的数据在传输到服务器之前会保持加密状态
- 在爬虫中的应用:前端加密在爬虫中可能用于保护网站上的敏感数据,例如用户的个人信息、密码等。当爬虫需要获取这些敏感数据时,它需要解密前端加密的数据。为了成功解密,爬虫需要分析前端加密算法并编写相应的解密逻辑
- 后端解密:后端解密是指在服务器端对前端加密的数据进行解密操作。服务器接收到前端加密的数据后,使用相应的解密算法将数据还原为其原始形式。解密过程通常涉及使用密钥或其他安全凭证来恢复原始数据
- 在爬虫中的应用:在爬虫中,后端解密可以应用于那些需要获取经过前端加密的数据的情况。爬虫需要模拟客户端发送请求并接收服务器的响应。在接收到加密数据后,爬虫需要在服务器端模拟解密过程,以获得原始数据并进一步处理
重要的是前端加密和后端解密的实现方式和算法取决于具体的应用场景和安全要求
你会采取什么策略来处理需要验证码的网站?
- 使用第三方验证码解决服务:有一些第三方服务提供自动识别和解决验证码的功能,例如打码平台。可以使用这些服务将验证码发送给其API,并获取解决后的验证码结果。这些服务通常使用机器学习、图像处理等技术来自动识别验证码
- 图像处理和机器学习算法:使用开源库如OpenCV和TensorFlow等来实现这些功能
- 构建验证码模型:对于特定的网站和验证码类型,可以构建一个针对该验证码的专用模型。这需要先收集足够数量的验证码样本,并使用机器学习算法训练模型。训练完成后,模型可以用于自动识别和解决相同类型的验证码
- 人机交互:使用模拟浏览器的一些自动化工具或者JS逆向
当你面对使用APP反爬虫技术保护的接口时,你会采取什么策略来绕过这些防护机制?
- 分析APP通信协议:首先,仔细分析APP的通信协议,包括请求和响应的数据结构、加密算法、认证机制等。通过了解协议的工作方式,可以找到可以利用或绕过的漏洞或弱点
- 使用代理工具和抓包工具:使用代理工具(Burp Suite、Charles等)和抓包工具来拦截和分析APP与服务器之间的通信。帮助观察请求和响应的数据,检查是否存在明显的模式、加密算法或关键参数
- 动态调试和逆向工程:使用调试器和逆向工程工具来动态分析APP的代码,以了解其工作方式和逻辑。通过跟踪函数调用、变量操作和代码路径,可以识别和绕过防护机制的关键点
- 破解认证机制:APP采用某种认证机制来防止非法访问,最终需要破解算法、模拟认证请求、绕过令牌验证等技术
- 使用设备模拟和多账号轮换:如果APP反爬虫技术依赖于设备指纹或用户账号来识别爬虫,可以尝试使用设备模拟工具来模拟不同的设备信息或轮换多个账号,以规避这些限制
请说一下APP逆向工程(app reverse engineering),它在分析和破解APP中的作用是什么?
- 分析APP结构和功能:通过逆向工程,可以深入分析APP的结构和功能,了解其组成部分、模块之间的关系和交互方式。这有助于理解APP的内部工作原理,并揭示其实现细节和隐藏功能
- 查找漏洞和安全问题:逆向工程可以帮助发现APP中的漏洞和安全问题。通过分析APP的代码和数据流,可以识别潜在的安全弱点、逻辑漏洞、认证机制等
- 破解和修改APP:逆向工程是破解和修改APP的基础。通过逆向分析,可以破解APP的加密算法、认证机制和防护措施,从而实现绕过限制、去除广告、修改功能等操作。这对于开发定制版本的APP或进行逆向工程研究非常有用
请解释一下什么是动态调试(dynamic debugging),以及它在APP逆向工程中的作用和步骤是什么?
- 运行时观察:动态调试允许开发者在APP运行时观察其内部状态和行为,例如变量值、函数调用、代码执行路径等。这有助于理解程序的执行逻辑和数据流
- 动态修改:通过动态调试,可以在程序运行期间修改变量值、参数和执行路径。这对于破解和修改APP功能非常有用,例如去除限制、模拟认证、修改参数等
- 调试问题:动态调试还用于定位和解决APP中的问题。开发者可以在程序运行时逐步执行代码,观察变量和状态的变化,以找出潜在的逻辑错误或异常情况
步骤如下(不细说):准备环境-插入断点-启动程序-执行调试命令-分析和修改
在APP逆向过程中,你如何处理和绕过APP中的反调试、反逆向等防护机制?
- 反反调试技术:一些APP它会检测调试器的存在,并尝试阻止动态调试。为了绕过这种反调试机制,可以使用反反调试技术。这包括使用反反调试工具或技术来欺骗或绕过APP的检测,以继续进行动态调试
- 静态分析:静态分析是一种在不执行APP的情况下分析其代码和结构的方法。通过对APP的二进制文件进行逆向工程,可以分析APP的代码、函数、数据结构和算法,即使没有实际运行APP。这可以帮助绕过某些反逆向机制,因为它不涉及直接执行APP
- Hook技术:Hook是一种通过篡改或劫持函数调用来修改或绕过APP的行为的技术。通过在目标函数的入口和/或出口处插入自定义的代码,可以监视、修改或替换函数的行为。这可以用于绕过一些防护机制或修改APP的行为
- 反编译和混淆技术:一些APP会使用代码混淆和反编译防护机制来使逆向工程更加困难。在这种情况下,可以尝试使用反混淆工具或技术来还原或简化代码,以便更好地理解和分析APP的逻辑
- 使用模拟器或虚拟环境:在一些情况下,APP可能会检测是否在模拟器或虚拟环境中运行,并采取相应的反逆向措施。为了绕过这些检测,可以使用模拟器绕过工具、虚拟环境等技术来模拟真实设备环境
点选验证码识别做过吗?成功率高的算法有多高?
- 点选验证码大家可以围观一下GitHub上开源的深度学习算法
- 爬虫往深度学习、神经网络发展的趋势已经不远了
- 随着智能文本抽取(基于符号密度、未来基于视觉提取还会远吗?)
成功度取决于验证码的复杂性和识别算法的性能。对于简单的验证码和常见的识别算法,成功率可能较高。然而,对于复杂、多变或具有高度定制化的验证码,成功率可能会下降。此外,验证码防护技术的进步也可能增加绕过的困难
JavaScript 逆向你一般怎么做的?
- 高级爬虫不了解逆向?那肯定不行!现在的招聘职位要求多少都带着点逆向的知识,包括面试也是。JS加密作为爬虫一个绕不过的关卡
- 通过断点调试,虽然可行!但是你会发现,想一步一步深入地搞清楚这整个程序的逻辑,是十分困难的,因为大部分函数之都是相互调用的关系。可以直接从系统函数入手调试
- 搜索大法、常规断点Debug大法、XHR Debug、行为Debug、各种钩子函数的使用、堆栈Debug
- 静态分析:通过对JavaScript代码进行静态分析,可以理解代码的结构、函数调用关系、变量定义和使用等。可以使用工具如开发者工具中的调试器、静态分析工具或反编译工具来帮助分析代码
- 动态调试:使用浏览器开发者工具或其他调试工具,在JavaScript代码执行时进行动态调试。可以在代码运行时查看变量的值、调用堆栈、执行路径等,有助于理解代码的执行过程
- 代码审查审查JavaScript代码,寻找代码中的关键逻辑、算法和数据处理方式。可以查看函数的实现、条件语句、循环和迭代、事件处理等,以了解代码的功能和行为
- 反混淆和解密:一些JavaScript代码可能经过混淆或加密处理,以增加逆向工程的难度。通过反混淆和解密技术,可以还原代码的原始形式,使其更易于分析和理解
- 反混淆和解密:对于涉及网络请求的JavaScript代码,分析请求和响应可以揭示代码与服务器的交互方式。可以使用网络抓包工具来捕获和分析网络流量
- 环境模拟有时JavaScript代码会对特定环境做出不同的响应。为了理解代码的完整逻辑和行为,可能需要模拟特定的运行环境、设置必要的上下文、提供所需的参数或数据
JS逆向主要涉及:JS 基本语法、浏览器渲染知识、代码混淆原理、加密算法理论、开发者工具的使用、代码逆向思路、Hook 和对应的脚本
爬虫相关(由浅至深)
你爬过某某站和某某站,期间有没有遇到什么困难,你是如何完成的?
- 该问题一般出现在简历项目内,根据实际情况回答即
Scrapy框架运行机制?
- 这个大家可以自行在网上搜索,资源太多。
如何提升scrapy的爬取效率?
- 增加并发、降低日志级别、禁止cookie、禁止重试、减少下载超时
- 五大功法,具体配置跟操作大家可以看看官方文档
简单介绍下 scrapy 的异步处理
- scrapy 框架的异步机制是基于 twisted 异步网络框架处理的,在 settings.py 文件里可以自行设置具体的并发量数值(默认是并发量 16)
写爬虫是用多进程好?还是多线程好? 为什么?
- IO密集型情况使用多线程;
- 计算密集型情况下使用多进程;
- 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
如何监控一个爬虫的状态?
- 使用Python 的 STMP 包将爬虫的状态信息发送到指定的邮箱
- 虽然Python通过 smtplib 库使得发送email变得很简单,Scrapy仍然提供了自己的实现。 该功能十分易用,同时由于采用了 Twisted非阻塞式(non-blocking)IO ,其避免了对爬虫的非阻塞式IO的影响。 另外,其也提供了简单的API来发送附件。 通过一些 settings 设置,您可以很简单的进行配置
def __init__(self):
""" 监听信号量 """
super(YoutubeapiSpider, self).__init__()# 当收到spider_closed信号的时候,调用下面的close方法来发送通知邮件
dispatcher.connect(self.spider_closed, signals.spider_closed)
def spider_closed(self, spider, reason):
# 上方的信号量触发这个方法
stats_info = self.crawler.stats._stats # 爬虫结束时控制台信息
body = "爬虫[%s]已经关闭,原因是: %s.\n以下为运行信息:\n %s" % (spider.name, reason, stats_info)
subject = "[%s]爬虫关闭提醒" % spider.name
mailers.send(to={"513720453@qq.com"},
subject=subject,
body=body)
'''
只要满足触发条件,就可以发送指定内容的邮件
'''
分布式爬虫主要解决哪些问题?
- ip、带宽、cpu、io
Freestyle题(千奇百怪)
- 这个环节看这标题能感受到这个语义吗?Do you have a Freestyle?
- Oh,Yeah。我为什么取名Freestyle?因为它来自面试官的即兴发挥!
有在项目中用过消息中间件吗,例如 Kafka、MQ 之类的
- 用过!好的。连环炮…
- 没用过?显得太LOW?
说说你擅长哪些方面?
- Freestyle就是Freestyle,问题都是这么的优雅。这个根据自身领域回答即可
你现在技术方面有哪些瓶颈或者觉得可以提升的地方?
- 可以根据自身实际情况述说
这道题为什么这么做,有什么好处?
- 此时此刻面试官正拿着你的笔试题
爬虫究竟是合法还是违法的?你如何看待?
- 爬虫技术本身不违法,关键是看你爬取到的数据用来做什么。所以事情违法,要看如何定性
场景实战题(身临其境)
-
这个环节我碰到过两次!期间聊得很开心,最后说我这里有一个网站的反爬,你能看看怎么解决吗?
-
其实这种情况很多人会觉得面试公司在套思路套方案之类的。嗯~说实话,世界之大无奇不有。这种公司存在吗?当前存在!但是我还是现场操练起来,一个JS加密比较简单反推一下通过断点找到了加密那块JS,作了一下解密基本就过了。还有一个是一个境外网站要求只能通过Request请求拿到数据,有一个鼠标监测反爬,每一次请求需要提交鼠标坐标参数,问题也不大
-
像一些后端开发的同学面一些大公司的时候会碰到一些现场设计系统的题。比如电商的秒杀系统、抢红包系统等等。爬虫面试的时候一样会涉及到让你现场设计一个分布式爬虫系统
如何监控网站更新情况?
- Distill Web Monitor等Chrome插件现在能实现这个需求
- 静态网页的话可以拿文件修改时间通过发送 If-Modified-Since请求来比对
- 动态网页的话通过将网页转化成MD5或哈希持久化比对
- 难点其实是主体内容有无更新,很多网站其实是主体内容没更新,但会随机来个列表更新之类的,保持它网页的更新性
通用爬虫可行吗?主要适用于哪些类型的网站?
- 可行!主要可以用于文章类型的网站数据爬取,比如新闻资讯类网站等。通过输入域名,提取字段等参数设置,然后程序会自动一层一层爬取该站点下的全部数据
看你简历做过舆情系统爬虫?如何保证系统数据的实时性?
- 一个优秀的舆情系统都是有实时采集功能的。像新闻、社交类网站,通常是按照最新发布的时间顺序向下展示数据的,较少有时间打乱的展示方式。所以每次对网站检索都可以查看到最新的发布信息。
- 那么对于舆情系统来说,在对社交媒体、新闻网站等进行舆情监控时,可设置定时采集功能。对目标网站进行最短1分钟每次的实时访问,即当第一次数据采集结束,1分钟后可再次访问该网站,获取到最新发布的信息。