简介Python技术面试基础知识整理资料专为准备Python开发岗位面试的求职者和希望夯实基础的学习者打造。内容按十大模块系统梳理从变量赋值、数据类型、运算符与流程控制等语法基础到列表、字典、集合的推导式与增删改查操作从冒泡、快速、归并排序与二分查找到递归、动态规划从类与继承、多态、封装到classmethod/staticmethod再到异常捕获、标准库中的os/sys/json/re、文件读写、socket通信、sqlite3数据库操作甚至涵盖项目实践与需求分析。资源为zip压缩包大小约33.16MB具体文件明细暂未公布。目前已有508人学习整理好的知识索引能帮助面试者系统过一遍考点快速定位薄弱环节节省自行归纳的时间提升复习效率无论是考前突击还是日常巩固都很适用。1. Python 技术面试基础知识面试官到底想从你脑子里看到什么很多人把 Python 技术面试理解成一次“背题考试”面向对象、异常、装饰器……一个个名词背得滚瓜烂熟觉得进了考场就能对答如流。可真到了面试现场才发现面试官从来不按教材顺序提问他更像个拿着探照灯的修车师傅上来就问“你这个变量到底存在哪这两个东西为什么看起来一样却不相等”你要是没想过这些问题很容易被问得当场懵掉。Python 技术面试要掌握的基础知识其实就是这一层不是记住“list 是可变、tuple 是不可变”这种结论而是理解结论背后的机制——对象怎么存、引用怎么传、函数有哪些隐藏行为、并发和内存到底怎么协同。本文从对象模型开始一路讲到函数进阶、易混误区、异常与内存最后落到“什么时候该用、什么时候别用”的判断边界上。把这些基础吃透你面试不慌写代码也不容易翻车。2. 对象与引用分清“是什么”和“指向谁”2.1 可变与不可变Python 里的“改”和“换”是两码事Python 里每个变量名并不“装”着数据本身它只是一个指向内存对象的引用。用大白话说变量名是门牌号对象才是房子。你看起来在“改变变量”实际上可能是换了套房也可能是在同一套房子里敲墙。不可变对象int、str、tuple一旦创建内容就不能原地修改只能创建新对象。可变对象list、dict、set可以在同一内存地址上增删改。这个差异最常体现在列表上a [1, 2, 3] b a # b 和 a 指向同一个 list 对象 b.append(4) # append 是原地操作修改的是那个对象本身 print(a) # [1, 2, 3, 4]a 也跟着变了 x (1, 2, 3) y x # y (4,) 这句会创建出一个新元组x 保持为 (1, 2, 3)b.append(4)能改到a是因为b和a引用同一个对象而元组没有append你想“加元素”只能拼一个新元组出来原来的元组纹丝不动。理解了这一层后面很多题都能解开比如函数里传入一个列表函数内部append了数据外边的列表为什么变了因为传入的是引用函数的形参和实参指向同一个对象。面试里还有个高频追问是“函数默认参数为什么不能用可变对象”。因为默认参数在定义时只创建一次如果你用def f(x[])这个空列表会被所有没传参的调用共享上次往里面加的东西会保留到下次调用这属于后文要讲的经典坑。你只需要记住可变对象意味着“共享有风险操作需谨慎”。2.2 深浅拷贝复制一层还是复制到底Python 给 list 提供了copy()方法给 dict 提供了类似操作但它们默认都是浅拷贝。浅拷贝只复制了最外层的容器容器里面的元素还是原来那份引用。import copy lst1 [[1, 2], [3, 4]] lst2 lst1.copy() # 浅拷贝只复制了外层 list lst2[0].append(99) print(lst1) # [[1, 2, 99], [3, 4]]内层还是同一份 lst3 copy.deepcopy(lst1) # 深拷贝递归复制每一层 lst3[0].append(100) print(lst1) # [[1, 2, 99], [3, 4]]不再被影响浅拷贝像你复制了一把抽屉柜柜子的外观是新的但每个抽屉里的物品还是原来那些深拷贝则把每个抽屉连同里面的东西都各做了一份。这个区别在面试里的常见考法是你的代码里要“基于一份配置做修改又不影响原配置”如果配置里套着列表或字典只用copy()是不够的必须deepcopy()才能彻底隔离两边的修改。很多人容易在这件事上踩坑复制完发现“我改了新的怎么旧的也变了”其实就是因为内部元素还是共享引用。反过来也要注意深拷贝不是万能的复制带文件句柄、线程锁的对象会出问题那种场景下更合理的做法是重新创建对象而不是硬拷贝。理解深浅拷贝的核心是搞清楚这一次复制到底“复制到了哪一层”。2.3is与比身份还是比内容比较的是两个对象的内容是否相等它背后调用的是__eq__方法is比较的是内存地址也就是id()是否相同。一句话关心“看起来等不等”is关心“本来就是同一个吗”。a [1, 2, 3] b [1, 2, 3] print(a b) # True 内容完全一样 print(a is b) # False 两个不同对象内存地址不同 c 256 d 256 print(c is d) # True 小整数被缓存c 和 d 指向同一个对象 e 257 f 257 print(e is f) # False 超出缓存范围不同对象上面这个例子是面试经典CPython 会把 -5 到 256 之间的小整数缓存起来复用所以256 is 256为 True而257每次都是新对象。字符串也有类似的驻留机制但规则更复杂、依赖实现细节所以面试时标准答法是“不要用is比较数字和字符串内容is只该用来比None、比单例”。实际开发里最容易犯的错是把写成is去判断a is None这个反而没问题但如果是a is []或者a is xx就是用自己的程序去赌解释器的实现属于典型的“看起来能跑换个环境就翻车”。判断内容用判断身份用is这条边界清楚了相关面试题基本就拿下了。3. 函数进阶面试里最爱考的“语法糖”背后是什么3.1 装饰器给函数穿上外套不改里面的肉日志、鉴权、计时这类逻辑如果写进每个函数里面业务代码会被搅得一团乱。装饰器的存在意义就是把这部分“横切逻辑”抽出来包一层在函数外面业务函数自己保持干净。装饰器的本质是一个可调用对象接收一个函数返回一个新函数。语法上的cost_time等价于slow_add cost_time(slow_add)import time def cost_time(func): def wrapper(*args, **kwargs): # wrapper 接收原函数的所有参数 start time.time() result func(*args, **kwargs) print(f{func.__name__} 耗时 {time.time() - start:.4f}s) return result return wrapper cost_time def slow_add(a, b): time.sleep(0.1) return a b print(slow_add(1, 2))第一次写装饰器的人容易忽略一个细节替代函数wrapper会覆盖原函数的__name__、__doc__这些元信息导致调试时函数名全变成了wrapper。解决办法是加一句functools.wraps(func)它会把原函数的名字和文档复制到包装函数上。面试时主动提这一句能明显看出你写过真实项目而不是只背了概念。带参数的装饰器也不难理解最外层再包一层函数接收装饰器的参数内层照常接收原函数相当于“工厂函数”。比如做一个只对指定用户生效的权限校验require_role(admin)就是require_role先接收admin返回一个真正的装饰器再用这个装饰器去包裹原函数。面试问“装饰器怎么传参”说的就是这层结构。装饰器的适用边界也很重要它适合做行为增强、横切逻辑如果一段装饰器里塞进了大量业务判断反而会让调用链变得难追踪。后面第六章会继续讲“什么时候别用”这里先记住装饰器的核心是“包裹”和“透传”。3.2 闭包与作用域为什么需要nonlocal闭包的定义是“函数 捕获到的外部变量”。为什么需要闭包因为有时候我们希望让函数记住一些上下文状态又不想为此弄一个全局变量。计数器是最典型的例子def make_counter(): count 0 def inner(): # inner 捕获了外层变量 count nonlocal count count 1 return count return inner c1 make_counter() print(c1()) # 1 print(c1()) # 2 c2 make_counter() print(c2()) # 1每个计数器独立nonlocal的作用是告诉 Python“这个变量不是当前作用域的局部变量它来自外层函数我要修改它。”如果没有这句Python 在函数内部看到count 1会自动把count当作局部变量于是要么报错、要么行为和预期不符。理解这个机制你就同时理解了 Python 的作用域查找顺序Local局部→ Enclosing外层→ Global全局→ Built-in内置面试管这个叫 LEGB。闭包有一个著名陷阱叫“延迟绑定”循环里创建闭包闭包内部引用的循环变量并不会在创建那一刻把值固定下来而是在调用闭包时才去查找这个变量。funcs [lambda: i for i in range(3)] print([f() for f in funcs]) # [2, 2, 2]不是 [0, 1, 2]原因是三个闭包捕获的是同一个i循环结束后i停在 2于是三个函数都返回 2。解决办法是用默认参数把当前值“钉住”lambda ii: i。这个坑在面试里几乎必考理解了闭包的“捕获变量”本质就不会再被问懵。3.3 生成器与迭代器一边算一边出不一口气全加载迭代器是实现了__iter__和__next__的对象for 循环能遍历它靠的就是这个协议。生成器是一种更省事地写出迭代器的方式函数里出现yield调用这个函数就不再执行函数体而是返回一个生成器对象。def read_large_file(path): with open(path, r, encodingutf-8) as f: for line in f: yield line.strip() # 有 yield 就是生成器函数调用read_large_file并不会立刻读取文件内容它返回一个生成器for循环每取一次函数就执行到下一个yield暂停把当前行的值交出来下一次再继续。这种“边算边出”的特性主要用于数据量大的场景如果先把所有行读进一个列表内存可能直接爆掉而生成器里同一时刻只存一行。生成器和普通函数最大的区别在于“暂停”。普通函数执行完就结束生成器每次停在一个yield处状态全部保留。手动调用next(gen)可以让它继续最后没有值可取时抛StopIterationfor 循环会帮你处理这个异常所以日常写代码几乎不需要手动next。面试里经常对比的还有列表推导式和生成器表达式[x for x in range(10**8)]会一次性生成一个近亿元素的列表内存直接拉满(x for x in range(10**8))是生成器表达式惰性求值循环到哪就算到哪。判断该用哪个只有一个标准你需要的是“全部结果一次性反复访问”还是“结果流式地挨个消费”。前者用列表后者用生成器这条后面还会再展开。还要注意迭代器是一次性的遍历完再遍历拿不到数据。列表可以来回遍历因为数据就存在内存里生成器里的元素被取走就没了想重新来一遍只能重新创建生成器。这个特性放在“大文件第二轮处理”时尤其关键很多人第一轮消耗完迭代器第二轮才发现什么都没了这时候回头用列表还是生成器答案立马清晰。4. 易混概念五个面试里最容易被问懵的“双胞胎”4.1 GIL有了它多线程是假的吗易混点把“Python 多线程”直接等同于“不能并行”甚至有人把 GIL 当成 Python 语言本身的缺陷。为什么混因为绝大多数人运行的 CPython 解释器带有 GIL日常体验就是“多线程跑不满 CPU 多核”久而久之就把“CPython 的实现细节”误说成“Python 的规则”。怎么区分GIL 全称是全局解释器锁它保证同一时刻只有一个线程在执行 Python 字节码。对 IO 密集任务比如读文件、发请求、查数据库多线程很有用因为线程在等待 IO 时会主动释放 GIL让其他线程继续跑对 CPU 密集任务比如纯 Python 写的大规模数值计算多线程被锁卡住体现不出并行收益这时应该用多进程每个进程独立解释器、各有一把 GIL或者让计算热点下沉到 C 扩展里。面试金句可以这样组织“GIL 是 CPython 的全局解释器锁它让同一进程内同一时刻最多只有一个线程执行 Python 字节码IO 密集用多线程能提升吞吐CPU 密集用多进程绕过 GIL 才能利用多核。”说清楚这三点面试官就确认你是真明白而不是背结论。4.2__init__与__new__房子和装修是两件事易混点以为创建一个对象只走__init__根本没听说过__new__。为什么混日常写类 90% 都只写__init__实例创建和实例初始化被当成了一步。怎么区分__new__负责“创建实例”它是类方法第一个参数是cls返回一个实例__init__负责“初始化实例”第一个参数是self不允许有返回值。执行顺序是__new__先跑返回的实例再传给__init__。打个比方__new__是拿到毛坯房的钥匙__init__是给房子装修。大多数时候你只需要装修钥匙由系统自动配好但你如果想控制“这房子一共只允许存在一套”就必须在__new__里做文章这就是单例模式class Singleton: _instance None def __new__(cls): if cls._instance is None: cls._instance super().__new__(cls) # 真正创建这一步只走一次 return cls._instance参数说明super().__new__(cls)才是真正向系统申请内存并创建对象如果绕开它直接返回一个已有对象单例依然成立。注意就算__new__每次返回同一个实例__init__还是会每次被调用所以单例里如果有重初始化逻辑要加状态判断不然新调用会把旧状态清掉。面试追问到这一步基本就是满分区分了。4.3__str__与__repr__两种“转字符串”服务不同的人易混点以为这两个方法随便实现一个就行或者不知道交互式解释器显示对象时调用的是哪个。为什么混从调用形式上看它们都在把对象变成字符串区别藏在“给谁看”上。怎么区分__str__面向最终用户print(obj)和str(obj)会走它__repr__面向开发者要求无歧义、能表达对象的关键状态交互式解释器里直接输入对象名回车或者在容器里打印元素显示的是__repr__的结果。还有一个规则没实现__str__时Python 会退回去用__repr__反过来却不会。举个例子datetime对象str(datetime.now())输出像2025-01-01 10:00:00repr(datetime.now())输出则带datetime.datetime(...)方便你复制回去重新构造。面试建议很直接__repr__永远值得实现因为日志和调试面板都靠它输出关键信息__str__则在“需要给人看的展示层”再实现。分清一个给用户、一个给程序员这两个方法就不再混淆。4.4*args与**kwargs它们是收集还是展开易混点以为*args、**kwargs是特殊语法结构甚至觉得它们是关键字。为什么混在函数定义和函数调用两个方向都能看到星号符号一样、方向相反很容易绕晕。怎么区分先看定义侧。def f(*args, **kwargs)里多余的“位置参数”会被收集进args这个元组多余的“关键字参数”会被收集进kwargs这个字典。再看调用侧。f(*items)把可迭代对象展开成多个位置参数f(**mapping)把字典展开成多个关键字参数。一个收拢、一个摊开方向完全不同。def show(a, b, *args, **kwargs): print(a, b, args, kwargs) show(1, 2, 3, 4, x5, y6) # 输出1 2 (3, 4) {x: 5, y: 6} params (1, 2) kw {x: 5} show(*params, **kw) # 等价于 show(1, 2, x5)参数说明装饰器里写def wrapper(*args, **kwargs): return func(*args, **kwargs)就是用这两套符号把原函数的参数原样“透传”给被装饰函数——收集进来再展开出去一条龙。面试易错点有两个一是*args必须放在位置参数后面否则语法错误二是过度使用会让函数签名变得难读调用方根本看不出来需要传什么。能用的地方用不能用的地方老老实实写出具名参数比炫技稳妥得多。4.5 可变默认参数空列表为什么会“记住”上一次的值易混点以为默认参数每次调用都会重新求值def f(x[])每次进来都是新的空列表。为什么混因为大多数语言和大多数人的直觉都认为“函数调用到这才创建默认值”。怎么区分Python 的默认参数在“函数定义时”只求值一次之后保存在函数对象上。所以不传x时拿到的永远是同一个列表对象上次往里面加的数据会一直保留多次调用结果累积。def buggy(x[]): x.append(1) return x print(buggy()) # [1] print(buggy()) # [1, 1] print(buggy()) # [1, 1, 1]正确的写法是用不可变值做默认参数在函数体内重新创建可变容器def fix(xNone): if x is None: x [] x.append(1) return x参数说明xNone是不可变对象安全每次调用不传参时函数内部创建一个全新的列表互不干扰。这条几乎是必考题面试官问你观察输出再问为什么再追问怎么修能完整答出来的不多。你把它理解成“默认参数是定义时就固定下来的对象不是每次调用时重新生成的东西”就不会再踩这个坑。5. 异常、上下文与内存面向“真实运行”的 Python 基础5.1 异常处理try 下面的顺序先具体再通用异常处理的设计目标是不让错误把程序直接击穿而是在出错点做分流。面试时长被问的其实是“分流的顺序和边界”。try: value input(请输入数字: ) result 10 / int(value) except ValueError: print(输入不是整数) except ZeroDivisionError: print(不能除以 0) except Exception: print(其他异常先记录再决定) else: print(没有异常时执行适合放成功后的逻辑) finally: print(不管是否异常都会执行适合放清理逻辑)这段代码的顺序是有讲究的ValueError和ZeroDivisionError在Exception之前因为 Python 的异常匹配按类型从上往下找Exception会把前面所有异常都接住放前面就轮不到更具体的分支了。else是“没出错才做”的后续动作finally是“无论怎样都要做”的清理动作两者分工完全不同。要特别注意一个边界不要写裸except:它会连KeyboardInterrupt、SystemExit这类不该被吞掉的异常一起抓住程序被 CtrlC 都终止不了异常链也被破坏。正确做法是至少写except Exception:并配合日志把堆栈留下来。在raise时可以用raise ... from ...保留原始异常上下文排查问题时能顺着链一路看到“底层为什么失败”这个细节在真实项目里比背十个异常类型都管用。5.2 上下文管理器with 保证“就算出错了也收尾”资源管理是面试里的经典场景打开文件、获取锁、开启事务如果中途异常资源没释放轻则句柄泄漏重则锁死。手动try/finally能解决但容易漏写于是有了with语法它背后靠__enter__和__exit__两个方法支撑。with open(...) as f里__enter__负责打开资源并返回__exit__负责关闭资源。关键特性是即使with块内部抛了异常__exit__也会被调用相当于 Python 替你包了一层自动的清理逻辑。想自定义一个上下文管理器最省事的是用contextlib.contextmanagerfrom contextlib import contextmanager import time contextmanager def log_time(name): start time.time() try: yield # yield 前面是 enter后面是 exit finally: print(f{name}: {time.time() - start:.3f}s) with log_time(计算段): total sum(range(100000))yield那行把执行权交给with块内部yield之后的部分无论有没有异常都会在退出时执行所以这里的finally保证了“耗时信息一定会被打印”。面试问“自定义上下文管理器有几种写法”答案就是基于类的__enter__/__exit__和基于装饰器的contextmanager两种前者适合对象本身参与状态流转后者适合把一个已有函数快速包装成可with的形式。5.3 垃圾回收与内存引用计数不够用了怎么办Python 的内存回收主要靠引用计数一个对象被引用的次数归零立即被回收。这个策略简单高效、无需暂停程序但有副作用——循环引用。import gc a [] b [] a.append(b) # a 引用 b b.append(a) # b 引用 a del a, b # 两个对象的外部引用都没了 # 但内部互相引用计数不为 0普通回收拿它们没办法 gc.collect() # 强制触发一次垃圾回收可以处理掉这种环上面的代码里del a, b只是移除两个外部引用对象互相还指着对方引用计数都还是 1内存就一直占着。这类情况需要“标记-清除”把不可达的对象整个标记出来回收为了减少全量扫描的开销CPython 又按对象存活时间分代越年轻的对象越容易被扫描这就是分代回收。面试在这个点的常见追问是“del 是不是立刻释放内存”答案是del只删一个引用如果引用计数归零会立刻回收但如果是循环引用或者还有别的引用握着它并不会真正释放。另一个高频场景是“哪些操作会造成内存泄漏”模块级缓存、全局列表越长越大、被异常对象意外持有的局部变量都比循环引用更常见。理解 GC 不是为了写一堆del而是让你知道资源能被自动回收但也可能被长期持有所以该限制缓存大小的时候就要限制别把一切都甩给回收器。6. 什么时候用、什么时候别用Python 基础知识的边界判断把这些基础概念串起来的最好方式是回到一个真实的面试题“给你一个列表去重并保持原始顺序你怎么做”新手会写嵌套循环把每个元素跟后面的比较一遍代码长、复杂度高理解对象模型的人会想到用dict.fromkeys或set加排序几行搞定。这个差异不是你背了多少 API 决定的而是你理解了“dict 的键天然唯一且 Python 3.7 起保持插入顺序”这个机制之后自然推导出的答案。同样地生成器和列表的选择也有清晰的边界数据量小、需要反复遍历、要做随机访问直接用列表代码更直白数据量大到内存吃紧、只需要顺序消费一遍或者数据源是无限流就必须用生成器。很多人在小数据时为了“显得专业”强行上生成器反而让代码绕了一圈又一圈这是过度设计。基础知识的正确用法是让代码在合适的场景用合适的工具而不是在所有地方堆砌高级特性。装饰器、闭包、上下文管理器也一样。需要给多个函数统一加计时、加日志、加权限校验装饰器是正解只有一个函数要加逻辑直接写在函数里反而更清晰。需要成对取得和释放资源用with只有一次打开文件且代码很短手动close()勉强也能接受但既然有语法糖没必要自找麻烦。这些判断的标准都指向同一句话这个机制有没有帮你把代码变得更简单、更不容易出错如果没有别用。我最早面试时也踩过不少坑默认参数写过空列表、深浅拷贝搞混过、GIL 解释得含含糊糊。后来我把每一次面试里答得卡壳的问题记下来对照 Python 的对象模型、函数机制、异常与内存体系重新梳理从那以后我每次面试前都会强制走一遍“对象与引用 → 函数进阶 → 易混误区 → 内存与异常”这条线。这套思路不但帮我稳住了面试表现也让我写代码时更少遇到“运行起来和想象中不一样”的玄学。希望今天这篇文章能把你的基础底座也垫实一层。本文还有配套的精品资源点击获取
