@本文來源於公衆號：csdn2299，喜歡可以關注公衆號 程序員學府
這篇文章主要介紹了python爬蟲面試必看的常見問題與參考答案,結合實例形式總結分析了Python爬蟲面試相關的Python基礎知識、概念、原理、算法及相關操作注意事項,需要的朋友可以參考下
文章目錄
先來一份完整的Python爬蟲工程師關於Python面試的考點：
搞定這套 Python 爬蟲面試題，Python面試 so easy
一、 Python 基本功
1、簡述Python 的特點和優點
Python 是一門開源的解釋性語言，相比 Java C++ 等語言，Python 具有動態特性，非常靈活。
2、Python 有哪些數據類型？
Python 有 6 種內置的數據類型，其中不可變數據類型是Number(數字), String(字符串), Tuple(元組)，可變數據類型是 List(列表)，Dict(字典)，Set(集合)。
3、列表和元組的區別
列表和元組都是可迭代對象，能夠對其進行循環、切片等，但元組 tuple 是不可變的。元組不可變的特性，使得它可以成爲字典 Dict 中的鍵。
4、Python 是如何運行的
CPython:
Python 程序運行時，會先進行編譯，將 .py 文件中的代碼編譯成字節碼(byte code)，編譯結果儲存在內存的 PyCodeObject 中，然後由 Python 虛擬機解釋運行。當程序運行結束後，Python 解釋器會將 PyCodeObject 保存到 pyc 文件中。每一次運行時 Python 都會先尋找與文件同名的 pyc 文件，如果 pyc 存在則比對修改記錄，根據修改記錄決定直接運行或再次編譯後運行，最後生成 pyc 文件 。
5、Python 運行速度慢的原因
a). Python 不是強類型的語言，所以解釋器運行時遇到變量以及數據類型轉換、比較操作、引用變量時都需要檢查其數據類型。
b). Python 的編譯器啓動速度比 JAVA 快，但幾乎每次都要啓動編譯。
c). Python 的對象模型會導致訪問內存效率變低。Numpy 的指針指向緩存區數據的值，而 Python 的指針指向緩存對象，再通過緩存對象指向數據：
搞定這套 Python 爬蟲面試題，Python面試 so easy
6、面對 Python 慢的問題，有什麼解決辦法
a). 可以使用其他的解釋器，比如 PyPy 和 Jython 等。
b). 如果對性能要求較高且靜態類型變量較多的應用程序，可以使用 CPython。
c). 對於 IO 操作多的應用程序，Python 提供 asyncio 模塊提高異步能力。
7、描述一下全局解釋器鎖 GIL
U，也就是說多線程並不是真正意義上的同時執行。但是在 IO 操作時，是可以釋放鎖的（這也是 Python 能夠異步的原因）。而且如果想要利用多核 CPU，那麼可以使用多進程。
8、深拷貝 淺拷貝
深拷貝是將對象本身複製給另一個對象，淺拷貝則是將對象的引用複製給另一個對象。所以當複製後的對象改變時，深拷貝的原對象值不會改變，而淺拷貝原對象的值會被改變。
9、is 和 == 的區別
is 表示的是對象標示符（object identity），而 == 表示的是相等（equality）。
is 的作用是用來檢查對象的標示符是否一致，也就是比較兩個對象在內存中的地址是否一樣，而 == 是用來檢查兩個對象是否相等。但是爲了提高系統性能，對於較小的字符串 Python 會保留其值的一個副本，當創建新的字符串的時候直接指向該副本即可。如：
a = 8
b = 8
a is b
10、文件讀寫
簡述文件讀取時 read 、readline、readlines 的區別和作用
他們的區別除了讀取內容範圍不同外，返回的內容類型也不同。
read()會讀取整個文件，將讀取到底的文件內容放到一個字符串變量，返回 str 類型。
readline()讀取一行內容，放到一個字符串變量，返回 str 類型。
readlines() 讀取文件所有內容，按行爲單位放到一個列表中，返回 list 類型。
11、請用一行代碼實現
請分別使用匿名函數和推導式這兩種方式將 [0, 1, 2, 3, 4, 5] 中的元素求乘積，並打印輸出元組。
print(tuple(map(lambda x: x * x, [0, 1, 2, 3, 4, 5])))
print(tuple(i*i for i in [0, 1, 2, 3, 4, 5]))
12、請用一行代碼實現
用 reduce 計算 n 的階乘（n!=1×2×3×…×n）
print(reduce(lambda x, y: x*y, range(1, n)))
13、請用一行代碼實現
篩選並打印輸出 100 以內能被 3 整除的數的集合
print(set(filter(lambda n: n % 3 == 0, range(1, 100))))
14、請用一行代碼實現
text = 'Obj{"Name": "pic", "data": [{"name": "async", "number": 9, "price": "$3500"}, {"name": "Wade", "number": 3, "price": "$5500"}], "Team": "Hot"'
打印文本中的球員身價元組，如 ($3500, $5500)
print(tuple(i.get("price") for i in json.loads(re.search(r'[(.*)]', text).group(0))))
15、請寫出遞歸的基本骨架
def recursions(n):
if n == 1:
退出條件
return 1
繼續遞歸
return n * recursions(n - 1)
16、切片
請寫出下方輸出結果
tpl = [0, 5, 10, 15, 20, 25, 30, 35, 40, 45, 50, 55, 60, 65, 70, 75, 80, 85, 90, 95]
print(tpl[3:])
print(tpl[:3])
print(tpl[::5])
print(tpl[-3])
print(tpl[3])
print(tpl[::-5])
print(tpl[:])
del tpl[3:]
print(tpl)
print(tpl.pop())
tpl.insert(3, 3)
print(tpl)
[15, 20, 25, 30, 35, 40, 45, 50, 55, 60, 65, 70, 75, 80, 85, 90, 95]
[0, 5, 10]
[0, 25, 50, 75]
85
15
[95, 70, 45, 20]
[0, 5, 10, 15, 20, 25, 30, 35, 40, 45, 50, 55, 60, 65, 70, 75, 80, 85, 90, 95]
[0, 5, 10]
10
[0, 5, 3]
17、文件路徑
打印輸出當前文件所在目錄路徑
import os
print(os.path.dirname(os.path.abspath(file)))
打印輸出當前文件路徑
import os
print(os.path.abspath(file))
打印輸出當前文件上兩層文件目錄路徑
import os
print(os.path.dirname(os.path.dirname(os.path.abspath(file))))
18、請寫出運行結果，並回答問題
tpl = (1, 2, 3, 4, 5)
apl = (6, 7, 8, 9)
print(tpl.add(apl))
問題：tpl 的值發生變化了嗎？
運行結果如下：
(1, 2, 3, 4, 5, 6, 7, 8, 9)
答：元組是不可變的，它是生成新的對象
19、請寫出運行結果，並回答問題
name = ('James', 'Wade', 'Kobe')
team = ['A', 'B', 'C']
tpl = {name: team}
print(tpl)
apl = {team: name}
print(apl)
問題：這段代碼能運行完畢嗎？爲什麼？它的運行結果是？
答：這段代碼不能完整運行，它會在 apl 處拋出異常，因爲字典的鍵只能是不可變對象，而 list 是可變的，所以不能作爲字典的鍵。運行結果是：
{('James', 'Wade', 'Kobe'): ['A', 'B', 'C']}
TypeError
20、裝飾器
請寫出裝飾器代碼骨架
def log(func):
def wrapper(*args, **kw):
print('call %s():' % func.name)
return func(*args, **kw)
return wrapper
簡述裝飾器在 Python 中的作用：
在不改動原函數代碼的情況下，爲其增加新的功能。
21、多進程 多線程
多進程更穩定還是多線程更穩定？爲什麼？
多進程更穩定，它們是獨立運行的，不會因爲一個崩潰而影響其他進程。
多線程的致命缺點是什麼？
因爲所有線程共享進程的內存，所以任何一個線程掛掉都可能直接造成整個進程崩潰。
進程間通信有哪些方式？
共享變量、隊列、管道。
二、Python 細節問題
1、 連接字符串用join還是+
當用操作符+連接字符串的時候，每執行一次+都會申請一塊新的內存，然後複製上一個+操作的結果和本次操作的右操作符到這塊內存空間，因此用+連接字符串的時候會涉及好幾次內存申請和複製。而join在連接字符串的時候，會先計算需要多大的內存存放結果，然後一次性申請所需內存並將字符串複製過去，這是爲什麼join的性能優於+的原因。所以在連接字符串數組的時候，應考慮優先使用join。
2、Python 垃圾回收機制
Python中的垃圾回收是以引用計數爲主，分代收集爲輔。引用計數的缺陷是循環引用的問題。
在Python中，如果一個對象的引用數爲0，Python虛擬機就會回收這個對象的內存。
引用計數法的原理是每個對象維護一個ob_refcnt，用來記錄當前對象被引用的次數，也就是來追蹤到底有多少引用指向了這個對象，當對象被創建、對象被引用、對象被傳入函數、被存儲在容器中等四種情況時，該對象的引用計數器 +1
對象被創建 a=14
對象被引用 b=a
對象被作爲參數,傳到函數中 func(a)
對象作爲一個元素，存儲在容器中 List={a,“a”,“b”,2}
與上述情況相對應，當發生對象別名被 del 銷燬時、對象的引用被賦予新對象時、漢書執行完畢後、從容器中刪除時等四種情況，該對象的引用計數器-1
當該對象的別名被顯式銷燬時 del a
當該對象的引別名被賦予新的對象， a=26
一個對象離開它的作用域，例如 func函數執行完畢時，函數裏面的局部變量的引用計數器就會 -1（但是全局變量不會）。
將該元素從容器中刪除時，或者容器被銷燬時。
當指向該對象的內存的引用計數器爲0的時候，該內存將會被Python虛擬機釋放.
sys.getrefcount(a)可以查看 a 對象的引用計數，但是比正常計數大1，因爲調用函數的時候傳入a，這會讓 a 的引用計數+1
引用計數的優點:
1、高效
2、運行期沒有停頓：一旦沒有引用，內存就直接釋放了。不用像其他機制等到特定時機。實時性還帶來一個好處：處理回收內存的時間分攤到了平時。
3、對象有確定的生命週期
4、易於實現
引用計數的缺點:
1、維護引用計數消耗資源，維護引用計數的次數和引用賦值成正比，而不像mark and sweep等基本與回收的內存數量有關。
2、無法解決循環引用的問題。A和B相互引用而再沒有外部引用A與B中的任何一個，它們的引用計數都爲1，但顯然應該被回收。
循環引用示例
list1 = []
list2 = []
list1.append(list2)
list2.append(list1)
爲了解決這兩個缺點 Python 還引入了另外的機制:標記清除和分代回收.
標記清除
『標記清除（Mark—Sweep）』算法是一種基於追蹤回收（tracing GC）技術實現的垃圾回收算法。它分爲兩個階段：第一階段是標記階段，GC會把所有的『活動對象』打上標記，第二階段是把那些沒有標記的對象『非活動對象』進行回收。那麼GC又是如何判斷哪些是活動對象哪些是非活動對象的呢？
對象之間通過引用（指針）連在一起，構成一個有向圖，對象構成這個有向圖的節點，而引用關係構成這個有向圖的邊。從根對象（root object）出發，沿着有向邊遍歷對象，可達的（reachable）對象標記爲活動對象，不可達的對象就是要被清除的非活動對象。根對象就是全局變量、調用棧、寄存器。
搞定這套 Python 爬蟲面試題，Python面試 so easy
在上圖中，我們把小黑圈視爲全局變量，也就是把它作爲root object，從小黑圈出發，對象1可直達，那麼它將被標記，對象2、3可間接到達也會被標記，而4和5不可達，那麼1、2、3就是活動對象，4和5是非活動對象會被GC回收。
標記清除算法作爲Python的輔助垃圾收集技術主要處理的是一些容器對象，比如list、dict、tuple，instance等，因爲對於字符串、數值對象是不可能造成循環引用問題。
Python使用一個雙向鏈表將這些容器對象組織起來。不過，這種簡單粗暴的標記清除算法也有明顯的缺點：清除非活動的對象前它必須順序掃描整個堆內存，哪怕只剩下小部分活動對象也要掃描所有對象。
分代回收
分代回收同樣作爲Python的輔助垃圾收集技術處理那些容器對象。
GC 的邏輯
分配內存
-> 發現超過閾值了
-> 觸發垃圾回收
-> 將所有可收集對象鏈表放到一起
-> 遍歷, 計算有效引用計數
-> 分成 有效引用計數=0 和 有效引用計數 > 0 兩個集合
-> 大於0的, 放入到更老一代
-> =0的, 執行回收
-> 回收遍歷容器內的各個元素, 減掉對應元素引用計數(破掉循環引用)
-> 執行-1的邏輯, 若發現對象引用計數=0, 觸發內存回收
-> python底層內存管理機制回收內存
Python 中, 一個代就是一個鏈表, 所有屬於同一"代"的內存塊都鏈接在同一個鏈表中用來表示"代"的結構體是 gc_generation， 包括了當前代鏈表表頭、對象數量上限、當前對象數量。
Python默認定義了三代對象集合，索引數越大，對象存活時間越長，新生成的對象會被加入第0代，前面_PyObject_GC_Malloc中省略的部分就是Python GC觸發的時機。每新生成一個對象都會檢查第0代有沒有滿，如果滿了就開始着手進行垃圾回收。
分代回收是一種以空間換時間的操作方式，Python將內存根據對象的存活時間劃分爲不同的集合，每個集合稱爲一個代，Python將內存分爲了3"代"，分別爲年輕代（第0代）、中年代（第1代）、老年代（第2代），他們對應的是3個鏈表，它們的垃圾收集頻率與對象的存活時間的增大而減小。新創建的對象都會分配在年輕代，年輕代鏈表的總數達到上限時，Python垃圾收集機制就會被觸發，把那些可以被回收的對象回收掉，而那些不會回收的對象就會被移到中年代去，依此類推，老年代中的對象是存活時間最久的對象，甚至是存活於整個系統的生命週期內。同時，分代回收是建立在標記清除技術基礎之上。
3、遞歸
Python 遞歸深度默認是多少？遞歸深度限制的原因是什麼？
Python 遞歸深度可以用內置函數庫中的 sys.getrecursionlimit() 查看。
因爲無限遞歸會導致的 C 堆棧溢出和 Python 崩潰。
非常感謝你的閱讀
大學的時候選擇了自學python，工作了發現吃了計算機基礎不好的虧，學歷不行這是
沒辦法的事，只能後天彌補，於是在編碼之外開啓了自己的逆襲之路，不斷的學習python核心知識，深
入的研習計算機基礎知識，整理好了，我放在我們的微信公衆號《程序員學府》，如果你也不甘平庸，
那就與我一起在編碼之外，不斷成長吧！
其實這裏不僅有技術，更有那些技術之外的東西，比如，如何
做一個精緻的程序員，而不是“屌絲”，程序員本身就是高貴的一種存在啊，難道不是嗎？點擊加入
想做你自己想成爲高尚人，加油！