【Python 面试突击 · 03】大厂高频面试题：从基础语法到架构选型

算法与数据结构层面：
- 这是最根本的。比如将列表查找 O(n)O(n) 优化为字典/集合查找 O(1)O(1) 。
- 使用内置函数（如 sum, map）和 list comprehension，因为它们底层是 C 实现的，比纯 Python 循环快得多。
并发模型层面：
- 如果是 CPU 密集型 任务（如复杂计算），由于 GIL 锁的存在，我会使用 multiprocessing 多进程来利用多核 CPU。
- 如果是 I/O 密集型 任务（如爬虫、DB 操作），我会使用 asyncio 协程或多线程，避免阻塞等待。
工具与扩展层面：
- 对于极耗时的热点代码，我会考虑用 Cython 将其编译为 C 扩展，或者使用 NumPy 进行向量化计算。
- 在部署时，也可以尝试 PyPy 解释器，它带有 JIT 编译，对长运行程序有显著提速。”

💡 加分项：提到“先使用 cProfile 进行性能分析，找到瓶颈再优化”，体现工程化思维。

2、什么是鸭子类型（Duck Typing）？

🗣️ 推荐话术：
“鸭子类型是 Python 动态类型系统的核心哲学，源自那句名言：‘如果它走起来像鸭子，叫起来像鸭子，那它就是鸭子。’

核心含义：在 Python 中，判断一个对象能不能用，不看它继承自哪个类，也不看它有没有实现某个接口，只看它是否拥有对应的方法或属性。
优势：这极大地降低了代码耦合度。我们不需要定义严格的 Interface 或 Abstract Base Class，只要对象行为符合预期，就可以直接传递使用。”

📝 代码演示：

class Duck:
    def speak(self): print("Quack")

class Person:
    def speak(self): print("Hello")

def make_speak(obj):
    # 不关心 obj 是什么类，只要有 speak 方法就行
    obj.speak() 

make_speak(Duck())   # OK
make_speak(Person()) # OK

二、基础语法与特性篇🛠️

3、`*args` 和 `**kwargs` 的区别是什么？

🗣️ 推荐话术：
“它们主要用于处理可变数量的参数，区别在于接收参数的形式：

*args (Arguments)：
- 用于接收任意数量的位置参数。
- 在函数内部，它们会被打包成一个元组 (tuple)。
**kwargs (Keyword Arguments)：
- 用于接收任意数量的关键字参数。
- 在函数内部，它们会被打包成一个字典 (dict)。

注意点：在函数定义时，参数顺序必须是：普通参数 -> *args -> 默认参数 -> **kwargs。”

4、`read`, `readline`, `readlines` 的区别是什么？

🗣️ 推荐话术：
“这三个方法都用于读取文件，主要区别在于返回值类型和内存占用：

read()：一次性读取整个文件内容到一个字符串中。适合小文件，大文件会爆内存。
readline()：每次只读取一行。适合逐行处理大文件，节省内存。
readlines()：一次性读取所有行，返回一个列表，每个元素是一行字符串。适合需要随机访问某一行数据的场景。

最佳实践：在处理超大日志文件时，我最推荐直接使用 for line in f: 迭代文件对象，这比 readline 更 Pythonic 且内存效率最高。”

5、用过哪些第三方包？

🗣️ 推荐话术：
(建议根据您简历上的项目经验挑选 3-4 个重点说，不要只报菜名)

“我常用的库主要分为几类：

网络请求：Requests 是我用得最多的 HTTP 客户端；如果是异步场景会用 Httpx 或 Aiohttp。
数据处理：Pandas 和 NumPy 是数据清洗和分析的标配。
Web 开发：Django 用于快速构建大型后台，Flask 或 FastAPI 用于构建微服务接口。
任务队列：在之前的项目中，我用 Celery + Redis 处理过异步邮件发送和耗时报表生成。
其他：Loguru 做日志处理，Pydantic 做数据校验。”

三、框架与架构篇🌐

6、 Django、Flask、Tornado 三大框架各自的应用场景？

🗣️ 推荐话术：
“这三者代表了不同的设计理念：

Django：
- 特点：‘大而全’（Batteries included），自带 ORM、Admin、Auth 等全套组件。
- 场景：适合快速开发内容管理系统（CMS）、电商后台、企业级复杂应用。追求开发效率和标准化。
Flask：
- 特点：‘微框架’，核心轻量，功能靠插件扩展。
- 场景：适合微服务、小型 API 接口、原型验证，或者对技术栈有高度定制需求的项目。
Tornado：
- 特点：原生支持异步非阻塞 I/O，擅长处理长连接。
- 场景：高并发即时通讯（IM）、WebSocket 推送、实时聊天室。
- (补充)：现在高性能异步场景，很多人也开始转向 FastAPI 或 Sanic。”

7、什么是 RESTful API？谈谈你的理解。

🗣️ 推荐话术：
“RESTful 是一种软件架构风格，核心思想是将所有事物视为资源（Resource），通过统一的接口对资源进行操作。我的理解主要包含以下几点：

资源定位：使用 URI（URL）唯一标识资源，如 /users/123。
无状态：每次请求必须包含所有必要信息，服务端不保存客户端上下文。
统一接口（HTTP 动词）：
- GET：获取资源。
- POST：新建资源。
- PUT/PATCH：更新资源。
- DELETE：删除资源。
表现层分离：数据传输格式通常为 JSON，与具体实现语言无关。

实战细节：在设计 API 时，我会严格遵循 HTTP 状态码规范（如 201 Created, 404 Not Found），并采用版本号控制（如 /api/v1/users）以保证兼容性。”

四、语言本质篇🧠

8、Python 是强语言类型还是弱语言类型？

🗣️ 推荐话术：
“这是一个常考的概念辨析题。Python 是 强类型（Strongly Typed） 且 动态类型（Dynamically Typed） 的语言。

强类型：意味着类型安全，不允许隐式的、不安全的类型转换。
- 例子："1" + 1 会直接报错 TypeError，不会像 JavaScript 那样自动变成 "11"。必须显式转换 int("1") + 1。
动态类型：变量在运行时才绑定类型，无需声明。
- 例子：x = 1 (int)，随后 x = "hello" (str) 是合法的。

总结：Java 是强类型 + 静态类型；JS 是弱类型 + 动态类型；而 Python 兼具了动态的灵活性和强类型的安全性。”

9、谈一下什么是解释性语言，什么是编译性语言？

🗣️ 推荐话术：
“这两者的主要区别在于代码执行前的处理方式：

编译性语言（如 C, C++, Go）：
- 源代码在执行前，需要通过编译器一次性翻译成机器码（二进制文件）。
- 优点：执行效率极高。
- 缺点：跨平台性差（Windows 编译的程序不能在 Linux 跑）。
解释性语言（如 Python, JS）：
- 源代码不需要预编译成机器码，而是由解释器逐行读取、翻译并执行。
- 优点：跨平台性好，开发调试灵活。
- 缺点：运行速度相对较慢。

深度理解：其实 Python 介于两者之间。它先将源码 .py 编译成字节码 .pyc，然后由 Python 虚拟机（PVM）解释执行。所以它比纯解释语言快一点，但仍慢于 C。”

10、说一下字典（dict）和 JSON 的区别？

🗣️ 推荐话术：
“虽然它们长得像，但本质完全不同：

本质不同：
- Dict：是 Python 中的一种内存数据结构（对象）。
- JSON：是一种数据交换格式（文本字符串），独立于语言。
键的限制：
- Dict：键可以是任何不可变类型（如 int, str, tuple）。
- JSON：键必须是字符串。
值的限制：
- Dict：值可以是任意 Python 对象（包括自定义类、函数等）。
- JSON：值只能是基本类型（String, Number, Boolean, Null, Array, Object）。

转换：我们需要通过 json.dumps() 将 Dict 序列化为 JSON 字符串，通过 json.loads() 反序列化回来。注意转换过程中，Dict 的整数键会被强制转为字符串。”

🎯 结语

这 10 道题涵盖了 Python 开发者从入门到进阶的核心知识体系。

初级开发应重点掌握语法、文件操作和基础概念。
中高级开发则需在性能优化、框架选型原理及架构设计上展现深度。

希望这篇整理能帮助大家在面试中脱颖而出！如果觉得有用，欢迎点赞 👍、收藏 ⭐、关注 ➕，后续我会持续更新更多大厂面试真题解析。

互动话题：你在面试中还遇到过哪些奇葩的 Python 问题？欢迎在评论区留言讨论！👇

亚马逊云科技技术品牌专区

更多推荐

一次 API 调用搞定时序预测：时序大模型 TimechoAI 使用与能力全解析

亚马逊云科技技术品牌专区

智能软件工程AI4SE（十六）——需求工程工具Jira

亚马逊云科技技术品牌专区

AI Agent 面试题 353：A2A协议的服务发现和注册机制详解

A2A 协议是 AI Agent 技术体系中的重要组成部分。简单来说，它涉及到 Agent 如何在工具使用与函数调用层面实现智能化的行为和决策。在实际应用中，A2A 协议的核心目标是让 Agent 能够更加高效、准确地完成特定任务。这需要我们深入理解其底层原理和实现机制。从学术角度来看，A2A 协议的研究可以追溯到人工智能的早期阶段。早在 1950 年代，Alan Turing 就提出了