前言
之所以在這里寫下python爬蟲常見面試題及解答，一是用作筆記，方便日后回憶；二是給自己一個和大家交流的機會，互相學習、進步，希望不正之處大家能給予指正；三是我也是互聯網寒潮下崗的那批人之一，為了找工作而做准備。
一、題目部分
1、scrapy框架專題部分（很多面試都會涉及到這部分）
（1）請簡要介紹下scrapy框架。
（2）為什么要使用scrapy框架？scrapy框架有哪些優點？
（3）scrapy框架有哪幾個組件/模塊？簡單說一下工作流程。
（4）scrapy如何實現分布式抓取？
2、其他常見問題。
（1）爬蟲使用多線程好？還是多進程好？為什么？
（2）http和https的區別？
（3）數據結構之堆，棧和隊列的理解和實現。
二、解答部分
1、scrapy框架專題部分
（1）請簡要介紹下scrapy框架。
scrapy 是一個快速(fast)、高層次(high-level)的基於 python 的 web 爬蟲構架，用於抓取web站點並從頁面中提取結構化的數據。scrapy 使用了 Twisted異步網絡庫來處理網絡通訊。
（2）為什么要使用scrapy框架？scrapy框架有哪些優點？
- 它更容易構建大規模的抓取項目
- 它異步處理請求，速度非常快
- 它可以使用自動調節機制自動調整爬行速度
（3）scrapy框架有哪幾個組件/模塊？簡單說一下工作流程。
Scrapy Engine: 這是引擎，負責Spiders、ItemPipeline、Downloader、Scheduler中間的通訊，信號、數據傳遞等等！（像不像人的身體？）
Scheduler(調度器): 它負責接受引擎發送過來的requests請求，並按照一定的方式進行整理排列，入隊、並等待Scrapy Engine(引擎)來請求時，交給引擎。
Downloader（下載器）：負責下載Scrapy Engine(引擎)發送的所有Requests請求，並將其獲取到的Responses交還給Scrapy Engine(引擎)，由引擎交給Spiders來處理，
Spiders：它負責處理所有Responses,從中分析提取數據，獲取Item字段需要的數據，並將需要跟進的URL提交給引擎，再次進入Scheduler(調度器)，
Item Pipeline：它負責處理Spiders中獲取到的Item，並進行處理，比如去重，持久化存儲（存數據庫，寫入文件，總之就是保存數據用的）
Downloader Middlewares（下載中間件）：你可以當作是一個可以自定義擴展下載功能的組件
Spider Middlewares（Spider中間件）：你可以理解為是一個可以自定擴展和操作引擎和Spiders中間‘通信‘的功能組件（比如進入Spiders的Responses;和從Spiders出去的Requests）
整體架構如下圖：
工作流程：
數據在整個Scrapy的流向：
程序運行的時候，
引擎：Hi！Spider, 你要處理哪一個網站？
Spiders：我要處理23wx.com
引擎：你把第一個需要的處理的URL給我吧。
Spiders：給你第一個URL是XXXXXXX.com
引擎：Hi！調度器，我這有request你幫我排序入隊一下。
調度器：好的，正在處理你等一下。
引擎：Hi！調度器，把你處理好的request給我，
調度器：給你，這是我處理好的request
引擎：Hi！下載器，你按照下載中間件的設置幫我下載一下這個request
下載器：好的！給你，這是下載好的東西。（如果失敗：不好意思，這個request下載失敗，然后引擎告訴調度器，這個request下載失敗了，你記錄一下，我們待會兒再下載。）
引擎：Hi！Spiders，這是下載好的東西，並且已經按照Spider中間件處理過了，你處理一下（注意！這兒responses默認是交給def parse這個函數處理的）
Spiders：（處理完畢數據之后對於需要跟進的URL），Hi！引擎，這是我需要跟進的URL，將它的responses交給函數 def xxxx(self, responses)處理。還有這是我獲取到的Item。
引擎：Hi ！Item Pipeline 我這兒有個item你幫我處理一下！調度器！這是我需要的URL你幫我處理下。然后從第四步開始循環，直到獲取到你需要的信息，
注意！只有當調度器中不存在任何request了，整個程序才會停止，（也就是說，對於下載失敗的ＵＲＬ，Scrapy會重新下載。）
以上就是Scrapy整個流程了。
（4）scrapy如何實現分布式抓取？
可以借助scrapy_redis類庫來實現。
在分布式爬取時，會有master機器和slave機器，其中，master為核心服務器，slave為具體的爬蟲服務器。
我們在master服務器上搭建一個redis數據庫，並將要抓取的url存放到redis數據庫中，所有的slave爬蟲服務器在抓取的時候從redis數據庫中去鏈接，由於scrapy_redis自身的隊列機制，slave獲取的url不會相互沖突，然后抓取的結果最后都存儲到數據庫中。master的redis數據庫中還會將抓取過的url的指紋存儲起來，用來去重。相關代碼在dupefilter.py文件中的request_seen()方法中可以找到。
去重問題：
dupefilter.py 里面的源碼：
def request_seen(self, request):
fp = request_fingerprint(request)
added = self.server.sadd(self.key, fp)
return not added
去重是把 request 的 fingerprint 存在 redis 上，來實現的。
2、其他常見問題。
（1）爬蟲使用多線程好？還是多進程好？為什么？
對於IO密集型代碼（文件處理，網絡爬蟲），多線程能夠有效提升效率（單線程下有IO操作會進行IO等待，會造成不必要的時間等待，而開啟多線程后，A線程等待時，會自動切換到線程B，可以不浪費CPU的資源，從而提升程序執行效率）。
在實際的采集過程中，既考慮網速和相應的問題，也需要考慮自身機器硬件的情況，來設置多進程或者多線程。
（2）http和https的區別？
A. http是超文本傳輸協議，信息是明文傳輸，https則是具有安全性的ssl加密傳輸協議。
B. http適合於對傳輸速度、安全性要求不是很高，且需要快速開發的應用。如web應用，小的手機游戲等等。而https適用於任何場景。
（3）數據結構之堆，棧和隊列的理解和實現。
棧（stacks）：棧的特點是后進先出。只能通過訪問一端來實現數據的儲存和檢索的線性數據結構。
隊列（queue）：隊列的特點是先進先出。元素的增加只能在一端，元素的刪除只能在另一端。增加的一端稱為隊尾，刪除的一端稱為隊首。
棧：
1 stack = [1, 2, 3] 2 stack.append(4) 3 stack.append(5) 4 print(stack) 5 stack.pop() 6 stack.pop() 7 print(stack)
輸出結果：
1 [1, 2, 3, 4, 5] 2 [1, 2, 3]
隊列：
1 from collections import deque 2 3 queue = deque(['Eric', 'John', 'Michael']) 4 queue.append('Terry') 5 queue.append('Graham') 6 print(queue) 7 queue.popleft() 8 print(queue)
輸出結果：
1 deque(['Eric', 'John', 'Michael', 'Terry', 'Graham']) 2 deque(['John', 'Michael', 'Terry', 'Graham'])
這里還會有一個常見的問題，棧溢出的常見情況及解決方案。
什么是棧溢出？
因為棧一般默認為1-2m，一旦出現死循環或者是大量的遞歸調用，在不斷的壓棧過程中，造成棧容量超過1m而導致溢出。
棧溢出的幾種情況？
1、局部數組過大。當函數內部數組過大時，有可能導致堆棧溢出。
2、遞歸調用層次太多。遞歸函數在運行時會執行壓棧操作，當壓棧次數太多時，也會導致堆棧溢出。
解決方法：
1、用棧把遞歸轉換成非遞歸。
2、增大棧空間。