2019下半年Python高频面试题目（第三弹）新鲜出炉

一. 如何提高爬取效率？

爬虫下载慢主要原因是阻塞等待发往网站的请求和网站返回

 1，采用异步与多线程，扩大电脑的cpu利用率； 2，采用消息队列模式 3，提高带宽

二. 说说什么是爬虫协议？

Robots协议（也称为爬虫协议、爬虫规则、机器人协议等）也就是robots.txt，网站通过robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。

Robots协议是网站国际互联网界通行的道德规范，其目的是保护网站数据和敏感信息、确保用户个人信息和隐私不被侵犯。因其不是命令，故需要搜索引擎自觉遵守。

三. 如果对方网站反爬取，封IP了怎么办？

放慢抓取熟速度，减小对目标网站造成的压力，但是这样会减少单位时间内的数据抓取量使用代理IP（免费的可能不稳定，收费的可能不划算）

四. 有一个jsonline格式的文件file

def get_lines(): with open('file.txt','rb') as f: return f.readlines()if __name__ == '__main__': for e in get_lines(): process(e) # 处理每一行数据

现在要处理一个大小为10G的文件，但是内存只有4G，如果在只修改get_lines 函数而其他代码保持不变的情况下，应该如何实现？需要考虑的问题都有那些？

def get_lines(): with open('file.txt','rb') as f: for i in f: yield i

Pandaaaa906提供的方法

from mmap import mmapdef get_lines(fp): with open(fp,"r+") as f: m = mmap(f.fileno(), 0) tmp = 0 for i, char in enumerate(m): if char==b"\n": yield m[tmp:i+1].decode() tmp = i+1if __name__=="__main__": for i in get_lines("fp_some_huge_file"): print(i)

要考虑的问题有：内存只有4G无法一次性读入10G文件，需要分批读入分批读入数据要记录每次读入数据的位置。分批每次读取数据的大小，太小会在读取操作花费过多时间。

五. 补充缺失的代码

def print_directory_contents(sPath):"""这个函数接收文件夹的名称作为输入参数返回该文件夹中文件的路径以及其包含文件夹中文件的路径"""import osfor s_child in os.listdir(s_path): s_child_path = os.path.join(s_path, s_child) if os.path.isdir(s_child_path): print_directory_contents(s_child_path) else: print(s_child_path)

六. 输入日期， 判断这一天是这一年的第几天？

import datetimedef dayofyear(): year = input("请输入年份: ") month = input("请输入月份: ") day = input("请输入天: ") date1 = datetime.date(year=int(year),month=int(month),day=int(day)) date2 = datetime.date(year=int(year),month=1,day=1) return (date1-date2).days+1

七. 打乱一个排好序的list对象alist？

import randomalist = [1,2,3,4,5]random.shuffle(alist)print(alist)

八. 现有字典 d= {‘a’:24,‘g’:52,‘i’:12,‘k’:33}请按value值进行排序?

sorted(d.items(),key=lambda x:x[1])

九. 字典推导式

d = {key:value for (key,value) in iterable}

十. 请反转字符串 “aStr”?

print("aStr"[::-1])

热气腾腾的黄金Python面试题，即将出锅！伙伴们需要耐心等待一下哈！