0 遇到过得反爬虫策略以及解决方法?
- 1.通过headers反爬虫
- 基于用户行为的发爬虫：(同一IP短时间内访问的频率)
- 动态网页反爬虫(通过ajax请求数据，或者通过JavaScript生成)
- 对部分数据进行加密处理的(数据是乱码)
解决方法：
对于基本网页的抓取可以自定义headers,添加headers的数据 使用多个代理ip进行抓取或者设置抓取的频率降低一些， 动态网页的可以使用selenium + phantomjs 进行抓取 对部分数据进行加密的，可以使用selenium进行截图，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。
1 urllib 和 urllib2 的区别？
- urllib 和urllib2都是接受URL请求的相关模块，但是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。urllib不可以伪装你的User-Agent字符串。
- 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。
2 列举网络爬虫所用到的网络数据包，解析包？
- 网络数据包 urllib、urllib2、requests
- 解析包 re、xpath、beautiful soup、lxml
3 简述一下爬虫的步骤？
- 确定需求；
- 确定资源；
- 通过url获取网站的返回数据；
- 定位数据；
- 存储数据。
4 遇到反爬机制怎么处理？
反爬机制:
headers方向 判断User-Agent、判断Referer、判断Cookie。 将浏览器的headers信息全部添加进去 注意：Accept-Encoding；gzip,deflate需要注释掉
5 常见的HTTP方法有哪些？
- GET：请求指定的页面信息，返回实体主体；
- HEAD:类似于get请求，只不过返回的响应中没有具体的内容，用于捕获报头；
- POST：向指定资源提交数据进行处理请求(比如表单提交或者上传文件)，。数据被包含在请求体中。
- PUT:从客户端向服务端传送数据取代指定的文档的内容；
- DELETE：请求删除指定的页面；
- CONNNECT：HTTP1.1协议中预留给能够将连接方式改为管道方式的代理服务器；
- OPTIONS:允许客户端查看服务器的性能； TRACE：回显服务器的请求，主要用于测试或者诊断。
6 说一说redis-scrapy中redis的作用?
它是将scrapy框架中Scheduler替换为redis数据库，实现队列管理共享。
优点：
- 可以充分利用多台机器的带宽；
- 可以充分利用多台机器的IP地址。
7 遇到的反爬虫策略以及解决方法?
- 通过headers反爬虫：自定义headers，添加网页中的headers数据。
- 基于用户行为的反爬虫(封IP)：可以使用多个代理IP爬取或者将爬取的频率降低。
- 动态网页反爬虫(JS或者Ajax请求数据)：动态网页可以使用 selenium + phantomjs 抓取。
- 对部分数据加密处理(数据乱码):找到加密方法进行逆向推理。
8 如果让你来防范网站爬虫，你应该怎么来提高爬取的难度 ？
- 判断headers的User-Agent；
- 检测同一个IP的访问频率；
- 数据通过Ajax获取；
- 爬取行为是对页面的源文件爬取，如果要爬取静态网页的html代码，可以使用jquery去模仿写html。
9 scrapy分为几个组成部分？分别有什么作用？
分为5个部分；Spiders(爬虫类)，Scrapy Engine(引擎),Scheduler(调度器),Downloader(下载器),Item Pipeline(处理管道)。
- Spiders:开发者自定义的一个类，用来解析网页并抓取指定url返回的内容。
- Scrapy Engine:控制整个系统的数据处理流程，并进行事务处理的触发。
- Scheduler：接收Engine发出的requests，并将这些requests放入到处理列队中，以便之后engine需要时再提供。
- Download：抓取网页信息提供给engine，进而转发至Spiders。
- Item Pipeline:负责处理Spiders类提取之后的数据。 比如清理HTML数据、验证爬取的数据(检查item包含某些字段)、查重(并丢弃)、将爬取结果保存到数据库中
10 简述一下scrapy的基本流程?
scrapy分为9个步骤：
- Spiders需要初始的start_url或则函数stsrt_requests,会在内部生成Requests给Engine；
- Engine将requests发送给Scheduler;
- Engine从Scheduler那获取requests,交给Download下载；
- 在交给Dowmload过程中会经过Downloader Middlewares(经过process_request函数)；
- Dowmloader下载页面后生成一个response，这个response会传给Engine，这个过程中又经过了Downloader Middlerwares(经过process_request函数)，在传送中出错的话经过process_exception函数；
- Engine将从Downloader那传送过来的response发送给Spiders处理，这个过程经过Spiders Middlerwares(经过process_spider_input函数)；
- Spiders处理这个response，返回Requests或者Item两个类型，传给Engine，这个过程又经过Spiders Middlewares(经过porcess_spider_output函数)；
- Engine接收返回的信息，如果使Item，将它传给Items Pipeline中；如果是Requests,将它传给Scheduler，继续爬虫；
- 重复第三步，直至没有任何需要爬取的数据
结尾
最后多说一句，小编是一名python开发工程师，这里有我自己整理了一套最新的python系统学习教程，包括从基础的python脚本到web开发、爬虫、数据分析、数据可视化、机器学习等。想要这些资料的可以关注小编，并在后台私信小编：“01”即可领取。
分享到:
