1.掌握哪些基于爬虫的模块？
- 网络请求：urllib，requests，aiohttp
- 数据解析：re，xpath，bs4，pyquery
- selenium
- js逆向：pyexcJs
2.常见的数据解析方式
- xpath，bs4
3.列举在爬虫过程中遇到的哪些比较难的反爬机制
- 动态加载的数据
- 动态变化的请求参数
- js加密
- 代理
- cookie
4.概述如何抓取动态加载数据
- 基于抓包工具进行全局搜索
- 如果动态加载的数据是密文，则全局搜索是搜索不到
5.移动端数据抓取
- fiddler，appnium，网络配置
6.抓取过哪些类型的数据，量级多少？
- 电商，医疗器械，彩妆，新闻资讯，金融，体育赛事（参考hao123网站）
- 量级：
- 最好不要超过100w。自己计算（页数，一页显示多少数据）
7.了解哪些爬虫框架？（pyspider）
- scrapy，pyspider
8.谈谈对scrapy的了解
- 功能：数据解析，持久化存储，深度爬取，分布式，关键件
- 五大核心组件的作用和工作流程
9.如何解析出携带标签的局部页面数据
- bs4
10.scrapy核心组件
- spider，引擎，调度器，下载器，管道
11.scrapy中间件的应用
- 作用：拦截请求和响应
- 拦截请求：设置代理
12.如何实现全站数据爬取
- 基于手动请求发送+递归解析
- 基于CrwalSpider（LinkExtractor，Rule）
13.如何检测网站数据更新？
- 增量式爬虫
14.分布式实现原理
- 基于scrapy-redis实现的分布式。
15.如何提升爬取数据的效率（异步爬虫）
- 使用框架
- 线程池，多任务的异步协程
- 分布式
16.列举你接触的反爬机制
- 10个反爬机制
17.scrapy中什么是深度优先和广度优先（优劣）
- 默认情况下scrapy是深度优先。
- 深度优先：占用空间大，但是运行速度快
- 广度优先：占用空间少，运行速度慢
18.scrapy如何实现持久化存储
- 解析数据
- 将解析的数据封装到item中
- 将item提交管道
- 在管道中持久化存储
- 开启管道
19.谈谈对crawlspider的理解，如何使用其进行深度爬取
- 链接提取器&规则解析器
20.如何实现数据清洗
- 清洗空值（缺失值）
- 将空对应的行数据删除.dropna
- 使用近邻值填充空值.fillna
- 清洗重复值
- 重复的行数据删除：drop_duplicates()
- 清洗异常值
- 一定要有一个判定异常值的条件
21.了解过机器学习吗
- 特征工程
- 特征预处理
- 归一化，标准化
- 特征值化
- 将非数值型的数据转换成数值型的数据
- 降维
- sklean框架
- 线性回归，KNN，贝叶斯
- 补充：
1.树模型：决策树
2.集成模型：随机森林
- 深度学习框架：
- tensorflow
22 在爬虫中为什么需要是用selenium？selenium和爬虫之间的关联是什么？
- 爬取动态加载的数据
- 模拟登录
23 列举你所熟知的selenium模块中的常用方法及其作用
24 解释在多任务异步协程中事件循环（loop）的作用是什么？
- 可以将注册在其内部的任务对象表示的特定操作进行异步执行
25 多任务异步协程是如何实现异步的？
- 一个任务对象就是一个协程也是一组特定的操作，将任务对象注册到事件循环中，就可以异步的执行每一组特定的操作
- wait方法，await关键字
26.验证码如何处理？
- 打码平台
27.scrapy 和 scrapy-redis 有什么区别？
- scrapy-redis这个组件可以给scrapy框架提供共享的管道和调度器实现分布式爬虫
28.说一说打开浏览器访问 www.baidu.com 获取到结果，整个流程。
29.列出你知道 header 的内容以及信息
- User-Agent
- Connection
30.scrapy的去重原理
需要将dont_filter设置为False开启去重，默认是False；
对于每一个url的请求，调度器都会根据请求的相关信息加密得到一个指纹信息，并且将指纹信息和set()集合中得指纹信息进行比对，如果set()集合中已经存在这个数据，就不在将这个Request放入队列中。如果set()集合中没有，就将这个Request对象放入队列中，等待被调度。