Python 开发实习面试准备 - Grained.AI

Python 软件开发实习生面试准备（公司要求梳理篇）

一、基础资质类

问题 1：该岗位要求的学历及专业背景是？

回答：计算机相关专业在读本科生或者研究生，我是北华大学大三本科生。

问题 2：你是否符合计算机相关专业在读这一基本条件呀，简单说下你的专业和在读阶段？

回答：符合，我是北华大学计算机相关专业大三本科生。

二、核心技能类

（1）编程语言

问题 3：岗位要求 “熟练使用 Python”，你觉得自己在 Python 技能上，哪些场景应用得比较好？比如数据处理、爬虫开发，能举个具体项目 / 作业里用 Python 实现功能的例子吗？

回答：我最初用 python 是用来爬取北京新发地的菜价，当年很好爬取，后来我去爬取小说网，把斗罗大陆小说爬取下来，代码目前还存放在 1024code 平台上，不过是两年前的了。后来教学计划里有爬虫，我又爬取了一个小说网，针对这段代码做了软件测试，视频发布在了 b 站。第二次爬取小说网印象比较深，因为小说网做了文字的加密，我需要进行爬取后解密然后存储，再之后做了研招网的自动化爬虫，类似的项目还挺多，我仓库上传了一部分。

（2）爬虫框架

问题 4：提到 “了解 scrapy、selenium 等爬虫框架”，这两个框架你实际用过吗？

回答：研招网用到的就是 selenium，而 scrapy 我拿来做了两个项目。

问题 5（scrapy 细分）：说说它的核心组件（如 Engine、Spider、Pipeline 等），以及用它做爬虫时，数据提取、请求调度的大致流程？

回答：快速记忆口诀

1. 组件关系： Engine 调度，Spider 干活，Scheduler 排队，Downloader 跑腿，Pipeline 加工！
2. 流程： 请求从 Spider 到 Scheduler，响应从 Downloader 到 Spider，数据从 Spider 到 Pipeline！

问题 6（selenium 细分）：它适合处理什么样的爬虫场景（比如动态渲染页面）？使用时，如何模拟浏览器操作（如点击、输入），怎么处理元素等待问题？

回答：

1. 场景选择： JS 渲染、登录验证、复杂交互 —— 选 Selenium！
2. 操作步骤： 定位元素→执行操作→等待结果→处理异常！
3. 等待策略： 优先显式等待，其次隐式等待，避免强制等待！

等待策略详解：

• 隐式等待：“我最多等 10 秒，期间我会时不时看一下，好了就立刻告诉我”；
• 强制等待：“不管怎样，先让我发呆 10 秒，10 秒后再干活”。

为什么隐式等待不会被反爬识别？

• 请求间隔不固定： 隐式等待的实际耗时由元素加载速度决定，可能是 1 秒、3 秒、7 秒，模拟了真实用户 “看到页面后再操作” 的自然间隔；
• 非阻塞下可做其他事： 等待元素时，程序可同时处理其他任务（如记录日志、生成下一个请求），更接近人类多任务处理行为。

（3）数据库技术

问题 7：“了解 mysql、redis、elastic search、postgresql 等关系型 / 非关系型数据库技术优先”，针对这些数据库，先说说 MySQL，你用过它存储数据吗？简单说下建表语句、查询语句（比如单表查询、多表联查），以及优化查询性能的小技巧（如索引）？

回答：在关于爬虫项目里，我最多用到的就是 csv 或者 md 来存储数据，而数据库。则是我在学习 java 后端的时候一并学习的，但在爬虫项目体现较少，不过如简历所说，我以前做过 linkai 的一个插件，其中就是用到了 mysql。

问题 8（Redis 细分）：它的基本数据结构（如 String、Hash、List）你了解不？什么场景下适合用 Redis 做缓存，怎么避免缓存穿透、雪崩问题？

回答：

1. 数据结构： String 存配置，Hash 存对象，List 做队列，Set 去重，ZSet 排顺序！
2. 缓存场景： 高频读、临时数据、分布式、复杂计算 —— 用 Redis！
3. 避坑指南： 穿透加空值 / 布隆，雪崩随机过期 + 多级，击穿互斥锁 / 永不过期！

问题 9（Elasticsearch 细分）：知道它的核心概念（如索引、文档、分片）吗？如果要实现全文搜索，大概怎么操作（比如创建索引、写入数据、执行查询）？

回答： Elasticsearch 是基于 Lucene 的分布式全文搜索引擎，核心概念包括：

• 索引（Index）：类似数据库，是存储相关文档的集合，每个索引有自己的映射（Mapping）定义字段类型。
• 文档（Document）：索引中的基本数据单元，以 JSON 格式存储，每个文档有唯一 ID。
• 分片（Shard）：索引的物理拆分单元，每个分片是一个独立的搜索引擎，支持分布式存储和并行查询，提高性能和可用性。

实现全文搜索的基本流程：

1. 创建索引：定义索引名称和字段映射（如设置文本字段为可分词），确定分片和副本数量。
2. 写入数据：将文档以 JSON 格式存入索引，Elasticsearch 自动对文本字段建立倒排索引。
3. 执行查询：通过 DSL（Domain Specific Language）语法编写查询条件，例如用match进行全文匹配，或用filter进行精确过滤，结果以 JSON 格式返回。

问题 10（PostgreSQL 细分）：和 MySQL 相比，它有哪些独特特性（如支持复杂数据类型、自定义函数）？你有没有简单接触或实践过？

回答： PostgreSQL（简称 PG）是功能强大的关系型数据库，与 MySQL 相比，独特特性包括：

• 复杂数据类型：支持数组（如integer[]）、JSON/JSONB、XML、几何类型（点、线、面）、范围类型（如时间范围）等，无需额外插件即可处理非结构化数据。
• 自定义函数与扩展：支持用 PL/pgSQL、Python、Java 等语言编写自定义函数，甚至可创建新的数据类型和索引方法（如 GIN 索引）。
• 高级事务特性：支持事务隔离级别（如可序列化）、保存点（Savepoint），事务完整性更强。
• 空间数据与 GIS 支持：内置 PostGIS 扩展，原生支持地理空间数据的存储和查询，适合地图、位置服务等场景。
• 全文搜索与复杂查询：支持针对文本的全文检索（如tsvector类型），以及窗口函数、递归查询等高级 SQL 特性。

PG 更偏向于 “企业级” 数据库，适合需要复杂数据类型、高扩展性或地理信息处理的场景，而 MySQL 在互联网场景中因轻量和易维护更普及。

（4）文档编写

问题 11：“熟练使用 Markdown 或 LaTeX 编写文档”，这两种工具你常用哪个？

回答：md 文档我接触很多年了，经常出现在我博客网站上面，而 latex 是我最近针对数学公式有要求而 md 满足不了我的需求才学习的，了解较浅，不过能够使用。

问题 12（Markdown 细分）：用 Markdown 写过技术文档 / 报告吗？比如项目说明，怎么通过标题分级、列表、代码块让文档清晰易读？

回答：

• 标题分级：# 大章 ## 小节 ### 子点，逻辑清晰不混乱；
• 列表分类：无序列要点，有序排步骤，嵌套分层次；
• 代码突出：行内单引号，块用三引号，注释说明关键点；
• 表格引用：对比用表格，重点加引用，链接跳转更方便。

问题 13（LaTeX 细分）：若用 LaTeX，它在公式排版、专业文档格式控制上的优势你了解不？有没有用它写过带公式、图表的文档片段？

回答：

• 公式优势：复杂公式轻松写，编号引用自动跟，期刊格式一键得；
• 格式控制：模板定结构，目录自动生，图表位置好管理；
• 场景选择：专业论文用 LaTeX，快速笔记选 Markdown，公式复杂就切 LaTeX！

三、职责关联类

（1）数据生产研发与流程优化

问题 14：岗位要 “参与数据生产产品研发、流程优化与创新”，你理解的数据生产流程大概包含哪些环节（比如数据采集、处理、存储、标注）？如果让你优化流程，会从哪些角度切入（比如提效、降本、保证数据质量），能结合想法举个小例子吗？

回答：我会针对性的从被封 ip 的方面测试，测试多高的频率既不会被封 ip 也不会对服务器造成太大压力，又能满足项目需要。采用代理的方式，更改发送者满足要求，或降低频率。

（2）多模态数据采集与处理

问题 15：“使用自动化技术从公开网站或 API 采集多模态数据（文本、图像、视频等），并进行清洗和整理”，先说说文本数据，采集时，怎么处理反爬（如 User-Agent 伪装、IP 代理）？清洗时，常用哪些方法（如去重、去除特殊字符、分词），你用过哪些 Python 库（如 BeautifulSoup、正则、jieba）？

回答：

• 反爬三件套：UA 伪装、IP 代理、频率控制；

• 清洗四步法：去重、滤符、分词、标准化；

• 库函数速记

  requests爬取，BeautifulSoup解析，
  re正则清洗，jieba分词处理，
  simhash去重，Tesseract打码。

问题 16（图像 / 视频数据细分）：采集这类数据会遇到什么挑战（如数据量大、格式兼容）？清洗整理时，怎么处理分辨率、格式转换，有没有接触过 OpenCV 等工具？

回答：

1. 采集挑战： 量大分块存，格式用 FFmpeg 转，反爬加 Referer 和代理！
2. OpenCV 操作： resize 调尺寸，cvtColor 转格式，copyMakeBorder 填背景！
3. 视频处理： 分段下载防中断，ffmpeg 分离音视频，合并用 concat 列表！

（3）团队协作与数据工作

问题 17：“协助团队完成数据标注、清洗及降噪工作”，数据标注常见类型（如分类、边界框标注）你了解吗？数据清洗除了常规去重、格式统一，怎么处理缺失值、异常值（比如用均值填充、删除异常记录）？数据降噪针对文本、图像数据，降噪有哪些方法（文本去停用词、图像滤波），你能简单说下思路不？

回答：

1. 标注类型： 分类框选分割点，序列标注文本间。
2. 缺失值处理： 删填插补模型算，统计量选均值众数。
3. 图像降噪： 滤波二值开运算，PSNR SSIM 来评判。

四、软性条件类

问题 18：岗位要求 “具备良好的学习能力和团队合作精神”，请用两个具体例子分别说明：

1. 学习能力：你在爬虫项目中遇到过从未接触过的技术（如小说网文字加密、研招网动态渲染），是如何快速学习并解决的？比如查资料的路径、实践步骤等。
2. 团队合作：有没有在课程项目或小组作业中，和队友协作完成过数据相关任务（如一起爬取数据、清洗标注）？你担任什么角色，如何配合解决问题？ 回答：我很喜欢新技术，当年 chatgpt 起矛头的时候，我便当起了账号的二道贩子，也因此对 llm 用起来很上手，对于以上的问题，早些年我会去百度找灵感，不够最近我重心向 llm 偏移。团队合作中我一般担任组长，很少担任组员的情况，我会分配每个人应该做的事情，以及最晚截至时间。

问题 3.3：Pandas 和 Numpy 的区别及应用场景？

回答：

• 核心数据结构
  • Numpy：多维数组（ndarray），元素类型一致，适合数值计算。
  • Pandas：Series（一维带标签数组）和DataFrame（二维表格），支持混合数据类型。
• 应用场景
  • Numpy：科学计算（线性代数、傅里叶变换）、机器学习模型底层计算。
  • Pandas：数据处理（清洗、聚合）、时间序列分析（如股票数据）。