第2章 Python核心语言特性面试高频

🎯 面试官考察点：

• 对Python对象内存模型的掌握程度
• 理解变量赋值与对象引用的本质区别
• 能否识别可变对象在函数传参中的陷阱

📐 回答框架：

1. 定义区分：不可变对象（int/str/tuple）创建后值不可变；可变对象（list/dict/set）可原地修改
2. 内存表现：不可变对象修改时产生新对象（id变化）；可变对象修改时id不变
3. 函数传参影响：函数内修改可变对象会影响原始数据；不可变对象则不会
4. 典型陷阱：默认参数使用可变对象（如 list=[]）会导致多次调用共享状态

💡 简短示例回答：

不可变对象如 int、str，修改时重新创建新对象，id 改变；可变对象如 list、dict，原地修改 id 不变。函数传参时，对可变对象的修改会直接影响原数据，因此应谨慎操作或使用深拷贝。默认参数应避免使用可变对象，否则多次调用会累积副作用。

🔁 可能追问：

• "不可变对象真的完全不可变吗？tuple 包含 list 时呢？"
• "__hash__ 与可变性有什么关系？哪些对象可做字典键？"
• "如何安全地在函数内修改可变参数而不影响外部？"

🎯 面试官考察点：

• 对闭包与高阶函数的理解深度
• 能否从源码级别解释装饰器执行流程
• 是否在实际项目中合理使用装饰器

📐 回答框架：

1. 原理本质：装饰器是一个接收函数并返回新函数的高阶函数，利用闭包保留原函数引用
2. 语法糖等价：@decorator 等价于 func = decorator(func)，在模块加载时执行
3. 典型场景：日志记录、权限校验、缓存加速、重试机制、性能计时
4. 进阶用法：带参数装饰器（两层嵌套）、类装饰器、多个装饰器叠加顺序

💡 简短示例回答：

装饰器本质是闭包+高阶函数：外层接收原函数，内层函数包裹增强逻辑并返回。使用 @functools.wraps 保留原函数元信息。典型场景包括接口鉴权、日志埋点、结果缓存。多个装饰器从下往上叠加，执行时从上往下。

🔁 可能追问：

• "为什么需要 @functools.wraps？不加会有什么问题？"
• "多个装饰器的执行顺序是怎样的？如何控制？"
• "类装饰器和函数装饰器有什么区别？如何实现一个带参数的装饰器？"

🎯 面试官考察点：

• 对GIL底层机制的理解是否准确
• 能否区分I/O密集与CPU密集场景
• 是否掌握Python并发方案的技术选型

📐 回答框架：

1. GIL定义：全局解释器锁，保证同一时刻只有一个线程执行Python字节码
2. 对多线程影响：CPU密集任务多线程无法利用多核，甚至因锁竞争更慢；I/O密集任务因I/O时释放GIL，多线程仍有效
3. 解决方案：CPU密集用多进程（multiprocessing）；I/O密集用多线程或协程（asyncio）
4. 本质权衡：GIL简化了内存管理（引用计数线程安全），但也牺牲了并行计算能力

💡 简短示例回答：

GIL是CPython的全局解释器锁，使多线程无法并行执行CPU密集型任务。对于I/O密集型（如网络请求、文件读写），多线程因I/O时释放GIL仍能提升吞吐。CPU密集型应使用多进程或协程+异步IO。GIL本质是保护内存管理简化实现的取舍。

🔁 可能追问：

• "GIL能否被彻底移除？有哪些尝试（如PyPy、nogil分支）？"
• "多进程通信有哪些方式？Pickle序列化有什么限制？"
• "协程比多线程好在哪里？什么场景下协程不适用？"