前言

又到一年一度的“金三銀四”求職高峰期。對于爬蟲工程師來說，面試前做好充足準備，才能事半功倍。今天給小伙伴們分享5道Python爬蟲面試提及回答。

問題1：你寫爬蟲的時候都遇到過什么反爬蟲措施，你最終是怎樣解決的？

通過headers反爬蟲：解決策略，偽造headers，基于用戶行為反爬蟲：動態變化去爬取數據，模擬普通用戶的行為， 使用IP代理池爬取或者降低抓取頻率，或 通過動態更改代理ip來反爬蟲，基于動態頁面的反爬蟲：跟蹤服務器發送的ajax請求，模擬ajax請求,selnium，和phtamjs?；?使用selenium + phantomjs 進行抓取抓取動態數據，或者找到動態數據加載的json頁面。

    驗證碼 ：使用打碼平臺識別驗證碼

數據加密：對部分數據進行加密的，可以使用selenium進行截圖，使用python自帶的pytesseract庫進行識別，但是比較慢最直接的方法是找到加密的方法進行逆向推理。

問題2：你寫爬蟲的時候 使用的什么框架 選擇這個框架的原因是什么？

scrapy。

優勢:可以實現高并發的爬取數據, 注意使用代理，提供了一個爬蟲任務管理界面, 可以實現爬蟲的停止,啟動,調試,支持定時爬取任務，代碼簡潔

劣勢:1.可擴展性不強。2.整體上來說: 一些結構性很強的, 定制性不高, 不需要太多自定義功能時用pyspider即可, 一些定制性高的,需要自定義一 些 功能時則使用Scrapy。

問題3：請簡要介紹下scrapy框架，為什么要使用scrapy框架？scrapy框架有哪些優點？scrapy框架有哪幾個組件/模塊？簡單說一下工作流程。 

1. scrapy的去重原理（指紋去重到底是什么原理）
2. scrapy中間件有幾種類，你用過哪些中間件*
3. scrapy中間件再哪里起的作用
4. scrapy實現分布式抓取簡單點來說
5. 分布式的去重原理
6. 海量數據的去重原理

問題5：為什么會用到代理？

一些網站會有相應的反爬蟲措施，例如很多網站會檢測某一段時間某個IP的訪問次數，如果訪問頻率太快以至于看起來不像正常訪客，它可能就會會禁止這個IP的訪問。所以我們需要設置一些代理服務器，每隔一段時間換一個代理，就算IP被禁止，依然可以換個IP繼續爬取。

問題6：驗證碼處理 

1. 登陸驗證碼處理

圖片驗證碼：先將驗證碼圖片下載到本地，然后使用云打碼識別；

滑動驗證碼：使用selenium模擬人工拖動，對比驗證圖片的像素差異， 

2. 爬取速度過快出現的驗證碼處理

設置setting.py中的DOWNLOAD_DELAY，降低爬取速度；

用xpath獲取驗證碼關鍵字，當出現驗證碼時，識別驗證碼后再繼續運行。

3. 如何用機器識別驗證碼**

對接打碼平臺

對攜帶驗證碼的頁面數據進行抓取

將頁面中的驗證碼進行解析, 將驗證碼圖片下載到本地

將驗證碼圖片提交給打碼平臺進行識別, 返回識別后的結果

總結

希望大家在以上回答的基礎上，盡可能的做到舉一反三。除此之外，你在面試時還遇到過什么問題呢？歡迎在評論留言。未來，小編將不定時為大家整理爬蟲面試題。最后，大家一定要在合法合規的情況下進行數據采集。