Python 语言核心基础面试：特性、GIL、装饰器、并发编程

🎯 面试官考察点

• 是否理解 GIL 是 CPython 实现层面的锁，而非语言特性
• 能否区分 CPU 密集与 I/O 密集场景的性能差异
• 是否了解绕过 GIL 的常见工程手段
• 对 Python 3 中 GIL 改进的认知

📐 回答框架

1. 定义：GIL 是 Global Interpreter Lock，保证解释器状态一致性
2. 原因：简化 CPython 的内存管理（引用计数线程安全）
3. 影响：多线程无法利用多核，CPU 密集任务性能下降；I/O 密集型因等待时释放 GIL 仍有效
4. 解决方案：使用 multiprocessing、C 扩展（如 numpy）释放 GIL、协程

📝 简短示例回答

GIL 是 CPython 的多线程互斥锁，保证同一时刻只有一个线程执行 Python 字节码。对于 CPU 密集型，可改用 ProcessPoolExecutor 或 Cython 绕过；对于 I/O 密集型，多线程仍能通过切换提升吞吐。

🔍 可能追问

• GIL 在 Python 3 中有没有去掉？为什么不去掉？
• 如何用 ctypes 或 Cython 释放 GIL？
• 测量 GIL 影响的工具（如 gil_load）

🎯 面试官考察点

• 是否理解闭包与高阶函数
• 能否正确写出带参数装饰器和 functools.wraps
• 是否了解装饰器在模块导入时执行的特性
• 能举例说明装饰器在实际框架中的应用

📐 回答框架

1. 定义：装饰器是高阶函数，接收原函数返回增强函数
2. 原理：利用闭包在内部函数中访问外层变量
3. 语法：@decorator 等价于 func = decorator(func)
4. 标准写法：内部函数需保留原函数元信息（@functools.wraps）
5. 应用：日志、缓存、权限校验、Flask 路由等

📝 简短示例回答

def timer(func):
    import time
    @functools.wraps(func)
    def wrapper(*args, **kwargs):
        start = time.time()
        result = func(*args, **kwargs)
        print(f'耗时 {time.time()-start:.2f}s')
        return result
    return wrapper

装饰器常用于 Django 权限校验、Flask 路由注册、API 限流等场景。

🔍 可能追问

• 多个装饰器的执行顺序（从下往上应用，从上往下执行）
• 如何实现一个带参数的装饰器（再加一层闭包）
• 装饰器类与装饰器函数的区别

🎯 面试官考察点

• 能否系统列出多线程、多进程、异步 IO
• 是否理解 GIL 对不同方式的约束
• 是否了解协程与事件循环的概念
• 能否结合实际项目场景给出选择建议

📐 回答框架

1. 三种方式：threading（轻量但受 GIL）、multiprocessing（独立内存）、asyncio（单线程非阻塞）
2. 选型原则：CPU 密集 → 多进程；I/O 密集 → 多线程或 asyncio；高并发 I/O → asyncio
3. 混合策略：多进程 + 异步事件循环（如每个进程运行 asyncio）
4. 注意事项：进程间通信（Queue、Pipe）；协程与线程的调度差异

📝 简短示例回答

CPU 密集计算（如图片压缩）用 multiprocessing.Pool；Web 爬虫用 aiohttp + asyncio；数据库查询用 ThreadPoolExecutor 结合 GIL 释放。做微服务常使用 uvicorn + async def 处理高并发请求。

🔍 可能追问

• 多进程如何实现进程池？concurrent.futures 与 multiprocessing.Pool 区别？
• asyncio 的事件循环模型与线程模型对比
• 如何安全地在线程间共享状态（尽量用 queue 或消息传递）