Python爬虫面试总结

1. 写一个邮箱地址的正则表达式？[A-Za-z0-9\u4e00-\u9fa5]+@[a-zA-Z0-9_-]+(\.[a-zA-Z0-9_-]+)+$

2. 谈一谈你对 Selenium 和 PhantomJS 了解

Selenium 是一个Web 的自动化测试工具，可以根据我们的指令，让浏览器自动加载页面，获取需要的数据，甚至页面截屏，或者判断网站上某些动作是否发生。Selenium 自己不带浏览器，不支持浏览器的功能，它需要与第三方浏览器结合在一起才能使用。但是我们有时候需要让它内嵌在代码中运行，所以我们可以用一个叫 PhantomJS 的工具代替真实的浏览器。Selenium库里有个叫 WebDriver 的API。WebDriver 有点儿像可以加载网站的浏览器，但是它也可以像BeautifulSoup 或者其他Selector 对象一样用来查找页面元素，与页面上的元素进行交互 (发送文本、点击等)，以及执行其他动作来运行网络爬虫。

PhantomJS是一个基于 Webkit 的“***面”(headless)浏览器，它会把网站加载到内存并执行页面上的 JavaScript，因为不会展示图形界面，所以运行起来比完整的浏览器要高效。相比传统的Chrome或 Firefox 浏览器等，资源消耗会更少。

如果我们把 Selenium 和 PhantomJS 结合在一起，就可以运行一个非常强大的网络爬虫了，这个爬虫可以处理 JavaScrip、Cookie、headers，以及任何我们真实用户需要做的事情。主程序退出后，selenium 不保证 phantomJS 也成功退出，最好手动关闭 phantomJS 进程。(有可能会导致多个 phantomJS 进程运行，占用内存)。WebDriverWait 虽然可能会减少延时，但是目前存在 bug(各种报错)，这种情况可以采用 sleep。phantomJS爬数据比较慢，可以选择多线程。如果运行的时候发现有的可以运行，有的不能，可以尝试将 phantomJS 改成 Chrome。

3. 为什么 requests 请求需要带上 header？

原因是：模拟浏览器，欺骗服务器，获取和浏览器一致的内容 header 的形式：字典headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36(KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

用法：requests.get(url,headers=headers)

4. 你遇到的反爬虫策略有哪些？及应对策略有什么？通过headers反爬虫

基于用户行为的发爬虫：例如同一IP短时间内多次访问同一页面，或者同一账户短时间内多次进行相同操作

动态网页反爬虫，例如：我们需要爬取的数据是通过ajax请求得到，或者通过JavaScript生成的

对部分数据进行加密处理的，例如：我们要抓的数据部分能够抓到，另外的部分加密处理了，是乱码 应对策略：对于基本网页的抓取可以自定义headers,添加headers的数据，代理来解决

有些网站的数据抓取必须进行模拟登陆才能抓取到完整的数据，所以要进行模拟登陆。

对于限制抓取频率的，可以设置抓取的频率降低一些，

对于限制ip抓取的可以使用多个代理ip进行抓取，轮询使用代理

针对动态网页的可以使用selenium+phantomjs进行抓取，但是比较慢，所以也可以使用查找接口的方式进行抓取。

对部分数据进行加密的，可以使用selenium进行截图，饭后使用python自带的pytesseract库进行识别，但是比较慢最直接的方法是找到加密的方法进行逆向推理。

5. 分布式爬虫原理？

scrapy-redis实现分布式，其实从原理上来说很简单，这里为描述方便，我们把自己的核心服务器称为 master，而把用于跑爬虫程序的机器称为 slave。

我们知道，采用 scrapy 框架抓取网页，我们需要首先给定它一些 starturls，爬虫首先访问 starturls里面的 url，再根据我们的具体逻辑，对里面的元素、或者是其他的二级、三级页面进行抓取。而要实现分布式，我们只需要在这个 starts_urls 里面做文章就行了。

我们在 master 上搭建一个 redis 数据库(注意这个数据库只用作 url 的存储，不关心爬取的具体数据，不要和后面的 mongodb 或者 mysql 混淆)，并对每一个需要爬取的网站类型，都开辟一个单独的列表字段。通过设置 slave 上 scrapy-redis 获取 url 的地址为 master 地址。这样的结果就是，尽管有多个 slave，然而大家获取 url 的地方只有一个，那就是服务器 master 上的 redis 数据库。并且，由于 scrapy-redis 自身的队列机制，slave 获取的链接不会相互冲突。这样各个 slave 在完成抓取任务之后，再把获取的结果汇总到服务器上(这时的数据存储不再在是 redis，而是 mongodb 或者mysql等存放具体内容的数据库了)这种方法的还有好处就是程序移植性强，只要处理好路径问题，把 slave 上的程序移植到另一台机器上运行，基本上就是复制粘贴的事情。

6. pythoon2.x 中urllib和urllib2的区别？异同：都是做url请求的操作的，但是区别很明显。

urllib2可以接受一个Request类的实例来设置URL请求的headers，urllib仅可以接受URL。这意味着，你不可以通过urllib模块伪装你的UserAgent字符串等(伪装浏览器)。

urllib提供urlencode方法用来GET查询字符串的产生，而urllib2没有。这是为何urllib常和urllib2一起使用的原因。

模块比较优势的地方是urlliburllib2.urlopen可以接受Request对象作为参数，从而可以控制HTTPRequest的header部。

但是urllib.urlretrieve函数以及urllib.quote等一系列quote和unquote功能没有被加入urllib2中，因此有时也需要urllib的辅助。

7.robots协议是什么？

Robots协议(也称为爬虫协议、爬虫规则、机器人协议等)也就是robots.txt，网站通过robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。

Robots协议是网站国际互联网界通行的道德规范，其目的是保护网站数据和敏感信息、确保用户个人信息和隐私不被侵犯。因其不是命令，故需要搜索引擎自觉遵守。

8.什么是爬虫？

爬虫是请求网站并提取数据的自动化程序

9.爬虫的基本流程？1、通过http库向目标站点发起请求，即发送一个Request，请求可以包含额外的headers等信息，等待服务器响应2、如果服务器能正常响应，会得到一个Response，Response的内容比啊是索要获取的页面内容3、解析内容：正则表达式、页面解析库、json4、保存数据：文本或者存入数据库

10.什么是Request和Response？

本地 向 服务器 发送Request，服务器根据请求返回一个Response，页面就显示在页面上了1、浏览器就发送消息给该网址所在的服务器，这个过程叫做HttpRequest

2、服务器收到浏览器发送的消息后，能够根据浏览器发送消息的内容，做相应处

理，然后把消息回传给浏览器，这个过程叫做HTTPResponse

3、浏览器收到服务器的Response消息后，会对信息进行相应处理，然后显示

11.Request中包含什么呢？1、请求方式：主要有GET和POST两种方式,POST请求的参数不会包含在url里面2、请求URLURL：统一资源定位符，如一个网页文档、一张图片、一个视频等都可以用URL来唯一确定3、请求头信息,包含了User-Agent(浏览器请求头)、Host、Cookies信息4、请求体,GET请求时，一般不会有，POST请求时，请求体一般包含form-data

12.Response中包含什么信息？1、响应状态：状态码 正常响应200 重定向2、响应头：如内容类型、内容长度、服务器信息、设置cookie等3、响应体信息：响应源代码、图片二进制数据等等

13.常见的http状态码200状态码服务器请求正常

301状态码：被请求的资源已永久移动到新位置。服务器返回此响应(对GET或HEAD请求的响应)时，会自动将请求者转到新位置。

302状态码：请求的资源临时从不同的URI响应请求，但请求者应继续使用原有位置来进行以后的请求

401状态码：请求要求身份验证。对于需要登录的网页，服务器可能返回此响应。

403状态码：服务器已经理解请求，但是拒绝执行它。与401响应不同的是，身份验证并不能提供任何帮助，而且这个请求也不应该被重复提交。

404状态码：请求失败，请求所希望得到的资源未被在服务器上发现。

500状态码：服务器遇到了一个未曾预料的状况，导致了它无法完成对请求的处理。一般来说，这个问题都会在服务器的程序码出错时出现。

503状态码：由于临时的服务器维护或者过载，服务器当前无法处理请求。

14.HTTP 的请求和响应都包含哪些内容HTTP请求头

Accept:浏览器能够处理的内容类型

Accept-Charset:浏览器能够显示的字符集

Accept-Encoding：浏览器能够处理的压缩编码

Accept-Language：浏览器当前设置的语言

Connection：浏览器与服务器之间连接的类型

Cookie：当前页面设置的任何Cookie

Host：发出请求的页面所在的域

Referer：发出请求的页面的URL

User-Agent：浏览器的用户代理字符串HTTP响应头部信息：Date：表示消息发送的时间，时间的描述格式由rfc822定义server:服务器名字。Connection：浏览器与服务器之间连接的类型content-type:表示后面的文档属于什么MIME类型Cache-Control：控制HTTP缓存

15. mysql的索引在什么情况下失效1.如果条件中有or，即使其中有条件带索引也不会使用(这也是为什么尽量少用or的原因)要想使用or，又想让索引生效，只能将or条件中的每个列都加上索引2.对于多列索引，不是使用的第一部分，则不会使用索引3.like查询以%开头4.如果列类型是字符串，那一定要在条件中将数据使用引号引用起来,否则不使用索引5.如果mysql估计使用全表扫描要比使用索引快,则不使用索引

15.MySQL 有什么引擎，各引擎之间有什么区别？主要MyISAM与InnoDB两个引擎，其主要区别如下：

1、InnoDB支持事务，MyISAM不支持，这一点是非常之重要。事务是一种高级的处理方式，如在一些列增删改中只要哪个出错还可以回滚还原，而MyISAM就不可以了；

2、MyISAM适合查询以及插入为主的应用，InnoDB适合频繁修改以及涉及到安全性较高的应用；

3、InnoDB支持外键，MyISAM不支持；

4、MyISAM是默认引擎，InnoDB需要指定；

5、InnoDB不支持FULLTEXT类型的索引；

6、InnoDB中不保存表的行数，如selectcount()fromtable时，InnoDB；需要扫描一遍整个表来计算有多少行，但是MyISAM只要简单的读出保存好的行数即可。注意的是，当count()语句包含where条件时MyISAM也需要扫描整个表；

7、对于自增长的字段，InnoDB中必须包含只有该字段的索引，但是在MyISAM表中可以和其他字段一起建立联合索引；

8、清空整个表时，InnoDB是一行一行的删除，效率非常慢。MyISAM则会重建表；

9、InnoDB支持行锁(某些情况下还是锁整表，如update tableseta=1whereuser like'%lee%'

16.Scrapy优缺点：优点：

scrapy是异步的

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的爬虫框架，扩展性比较差

基于twisted框架，运行中的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。

17.HTTPS 是如何实现安全传输数据的客户端(通常是浏览器)先向服务器发出加密通信的请求

服务器收到请求,然后响应

客户端收到证书之后会首先会进行验证

服务器收到使用公钥加密的内容，在服务器端使用私钥解密之后获得随机数pre-master secret，然后根据radom1、radom2、pre-master secret通过一定的算法得出sessionKey和MAC算法秘钥，作为后面交互过程中使用对称秘钥。同时客户端也会使用radom1、radom2、pre-master secret，和同样的算法生成sessionKey和MAC算法的秘钥。

然后再后续的交互中就使用sessionKey和MAC算法的秘钥对传输的内容进行加密和解密。

18.描述下scrapy 框架运行的机制？从start_urls里获取第一批url并发送请求，请求由引擎交给调度器入请求队列，获取完毕后，调度器将请求队列里的请求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，则交给管道文件处理；

如果提取出url，则继续执行之前的步骤(发送url请求，并由引擎将请求交给调度器入队列...)，直到请