python面试重在语言特性理解与问题解决思路：一、可变/不可变对象差异及陷阱；二、装饰器嵌套结构与闭包要点；三、yield from的委托迭代作用；四、gil对i/o与cpu任务并发的影响。
Python面试最常考的不是语法细节，而是对语言特性的理解深度和实际问题的解决思路。 面试官真正想看的，是你能否用Python“自然地”表达逻辑，是否清楚哪些写法高效、安全、可维护，以及遇到典型场景时有没有踩过坑、有没有反思过。
一、可变对象 vs 不可变对象——为什么 list.append() 不用赋值，而 s += 'a' 却可能新建字符串？
这是理解Python内存模型和性能的关键切入点。不可变对象（str、int、tuple）一旦创建就不能修改，所有“修改”操作（如 +=、s.upper()）都会返回新对象；可变对象（list、dict、set）则允许原地修改（如 list.append()、dict.update()），不改变对象身份（id()不变）。
常见陷阱：
- 函数参数传入可变对象作为默认值（如 def func(items=[]) ），会导致多次调用间状态残留；应改用 None 做占位，内部初始化。
- 用 == 比较两个 list/dict 是深比较，但 is 只判断是否同一对象——别混淆语义。
- [[]] * 3 创建的是三个指向同一子列表的引用，修改任一子项会影响全部；需用 [[] for _ in range(3)] 独立构造。
二、装饰器与闭包——如何写出带参数的 @retry(max_times=3)？
装饰器本质是“接收函数、返回函数”的高阶函数。带参数的装饰器需要多一层嵌套：外层接收参数，中间层接收被装饰函数，内层是实际执行逻辑。
立即学习“Python免费学习笔记（深入）”；
关键点：
- 闭包变量（如 max_times）必须在中间层函数中被捕获，不能直接在最内层定义——否则每次调用都找不到。
- 用 functools.wraps(func) 包装内层函数，保留原函数的 __name__、__doc__ 等元信息，否则调试和文档工具会失效。
- 类装饰器更易管理状态（如累计重试次数），适合复杂逻辑；函数装饰器更轻量，适合通用横切关注点（日志、计时）。
三、生成器与迭代器——yield from 是为了解决什么问题？
yield 让函数变成生成器，支持惰性求值和协程；yield from 则是“委托迭代”，用于把子生成器的产出直接透传给调用方，避免手动循环 yield。
典型用途：
- 扁平化嵌套结构（如树的遍历、多层列表展开）；
- 组合多个生成器（如分页读取多个文件，统一 yield 每行）；
- 协程中转发子协程结果（Python 3.5+ async/await 底层也依赖此机制）。
注意：yield from gen 不仅转发值，还会处理 .send()、.throw()、.close() 等协议调用，比手动循环健壮得多。
四、GIL 与并发——为什么多线程爬虫快，但多线程计算慢？
GIL（全局解释器锁）确保同一时刻只有一个线程执行 Python 字节码。它不阻止系统调用（如网络 I/O、文件读写），但会阻塞纯 CPU 运算。
所以：
- I/O 密集型任务（爬虫、API 调用、数据库查询）用 threading 或 asyncio 效果好——线程等待时 GIL 会被释放；
- CPU 密集型任务（图像处理、数值计算）应选 multiprocessing，绕过 GIL 使用多进程；或用 C 扩展（NumPy 底层已优化）；
- concurrent.futures 提供统一接口：ThreadPoolExecutor 处理 I/O，ProcessPoolExecutor 处理 CPU，代码结构几乎一致。
