面试时Python 基础概念往往是第一轮考察的重点尤其是装饰器、GIL、深拷贝浅拷贝、迭代器和生成器。这些名词写起来简单但面试官很容易通过追问细节来区分“背过答案”和“真正理解”。网上关于这些知识点的资料很零散大部分只讲用法不讲原理导致很多人学完之后仍然回答不好“为什么”。这篇文章作为 Python 面试八股文系列的第 67~70 篇整理了四个经典且高频的 Python 概念装饰器、GIL、深拷贝浅拷贝、迭代器与生成器。每一问都会从概念、代码示例、常见误区、面试回答思路四个角度展开适合准备 Python 面试的读者也适合想把这些基础概念彻底搞清楚的后端开发者。1. 第67问装饰器 —— 函数增强的艺术装饰器是 Python 面试中出现频率最高的知识点之一几乎没有例外。很多面试官会把装饰器和闭包放在一起问因为它不仅考察语法还能考察你对 Python 函数对象、作用域、高阶函数的理解深度。1.1 装饰器解决什么问题在没有装饰器的情况下如果你想给某个函数增加日志、计时、权限校验等逻辑最直接的方法是修改原函数代码。但这样做有几个问题一是破坏了原函数的职责二是如果多个函数都需要增加同样的逻辑代码会大量重复三是后期维护困难。装饰器提供了一种更优雅的方式在不修改原函数代码的前提下给函数动态增加功能。它的核心思想是“函数也是对象”可以把函数作为参数传给另一个函数也可以在一个函数内部定义并返回另一个函数。1.2 从闭包到装饰器理解装饰器之前必须先理解闭包。闭包是指在一个外部函数中定义内部函数内部函数可以引用外部函数的变量并且外部函数返回内部函数对象的一种结构。def outer(func): def inner(): print(函数执行前) result func() print(函数执行后) return result return inner def say_hello(): print(Hello, Python) return ok # 手动调用闭包 wrapped outer(say_hello) wrapped()运行结果函数执行前 Hello, Python 函数执行后这里的outer接收一个函数func在inner内部先执行输出再调用func最后返回inner。这种结构就是装饰器的雏形。Python 提供了语法糖用符号来简化装饰器的写法def outer(func): def inner(): print(函数执行前) result func() print(函数执行后) return result return inner outer def say_hello(): print(Hello, Python) return ok say_hello()运行结果和上面完全一样。outer的本质就是执行了say_hello outer(say_hello)这行代码。1.3 带参数的装饰器上面的装饰器只适合被装饰函数没有参数的情况。如果被装饰函数需要接收参数inner也需要接收对应的参数。更通用的写法是使用*args和**kwargs。def timer(func): def wrapper(*args, **kwargs): print(开始计时) result func(*args, **kwargs) print(结束计时) return result return wrapper timer def add(a, b): return a b print(add(3, 5))运行结果开始计时 结束计时 8*args接收任意数量的位置参数**kwargs接收任意数量的关键字参数。这样写的好处是装饰器可以应用于任意签名的函数。有时候我们希望装饰器本身也能接收参数比如指定日志级别这就需要在装饰器外层再套一层函数。def log(levelinfo): def decorator(func): def wrapper(*args, **kwargs): print(f[{level}] 调用 {func.__name__}) return func(*args, **kwargs) return wrapper return decorator log(levelwarning) def process(): print(处理中) process()运行结果[warning] 调用 process 处理中这里log(levelwarning)的执行过程是先调用log(levelwarning)得到一个decorator然后执行process decorator(process)。三层嵌套的原因是为了让最内层的wrapper能捕获level这个自由变量。1.4 装饰器面试常见追问面试官在装饰器话题上通常会追问三个问题第一个问题装饰后的函数名称会发生什么变化timer def add(a, b): return a b print(add.__name__)输出是wrapper不是add。因为timer相当于把add指向了wrapper函数对象。这会导致依赖函数名称的逻辑出问题比如日志记录、调试工具、单元测试。解决方案是使用functools.wrapsimport functools def timer(func): functools.wraps(func) def wrapper(*args, **kwargs): result func(*args, **kwargs) return result return wrapper timer def add(a, b): return a b print(add.__name__)输出变成add。functools.wraps会把原函数的__name__、__doc__、__module__等属性复制到wrapper上。第二个问题装饰器的执行顺序是怎样的多个装饰器叠加时执行顺序是从下往上但调用顺序是从上往下。def decorator_a(func): def wrapper(*args, **kwargs): print(A before) result func(*args, **kwargs) print(A after) return result return wrapper def decorator_b(func): def wrapper(*args, **kwargs): print(B before) result func(*args, **kwargs) print(B after) return result return wrapper decorator_a decorator_b def hello(): print(hello) hello()运行结果A before B before hello B after A after因为decorator_a和decorator_b叠加时先执行hello decorator_b(hello)再执行hello decorator_a(hello)所以装饰器本身是从下往上应用的。第三个问题类可以作为装饰器吗可以。类装饰器通过实现__call__方法让实例对象可以像函数一样被调用。class CountCall: def __init__(self, func): self.func func self.count 0 def __call__(self, *args, **kwargs): self.count 1 print(f第 {self.count} 次调用) return self.func(*args, **kwargs) CountCall def test(): print(test) test() test()类装饰器的优势在于可以在实例上保存状态比如记录调用次数、缓存结果等。2. 第68问GIL —— Python 多线程绕不开的话题GIL 全称 Global Interpreter Lock即全局解释器锁。它可能是 Python 面试中最容易让人困惑的概念因为很多人在写多线程程序时发现 Python 的多线程并不能真正并行执行 CPU 密集型任务原因就是 GIL。2.1 什么是 GILCPython 解释器在同一个时间点只允许一个线程执行 Python 字节码。这个限制是通过 GIL 实现的。也就是说无论你的机器有多少个 CPU 核心一个 Python 进程中同时只有一个线程能执行 Python 代码。有人可能会问为什么要设计 GIL历史原因是 CPython 的内存管理不是线程安全的。Python 使用引用计数来管理内存每个对象都有一个引用计数多个线程同时修改引用计数时会产生竞争条件。为了简化内存管理的实现CPython 选择加一把全局锁代价是放弃了多线程的并行执行能力。需要强调的是GIL 是 CPython 解释器的实现细节并不是 Python 语言本身的特性。Jython、IronPython 等解释器没有 GIL。但市面上绝大多数 Python 环境都使用 CPython所以讨论 GIL 对面试和实际开发都很有意义。2.2 GIL 对多线程程序的影响GIL 对于不同类型的任务影响完全不同这也是面试官最喜欢考的点。CPU 密集型任务比如大量数学计算、图像处理、视频解码多线程会因为 GIL 的竞争导致性能不升反降。I/O 密集型任务比如文件读写、网络请求、数据库操作多线程在等待 I/O 时释放 GIL其他线程可以继续执行因此多线程依然能显著提升效率。下面用一个简单的计数示例来观察 GIL 的影响import threading count 0 def add(): global count for _ in range(1000000): count 1 threads [] for _ in range(10): t threading.Thread(targetadd) threads.append(t) t.start() for t in threads: t.join() print(count)运行这段代码你会发现count的结果通常不是 10000000而是一个比它小的随机数。原因是count 1这行代码不是原子操作它需要先读取count的值然后加 1再写回。线程在任意两步之间都可能被调度器切换出去导致多个线程读取到相同的旧值造成数据丢失。这说明了即使有 GIL线程安全问题依然存在GIL 只能保证单个字节码级别的安全不能保证复杂操作的安全。2.3 如何绕开 GIL既然 GIL 限制了 CPU 密集型任务的多线程性能实际开发中通常有以下几种替代方案方案一使用多进程每个进程都有独立的解释器和独立的内存空间因此不受 GIL 影响。Python 的multiprocessing模块提供了类似threading的接口用起来很方便。from multiprocessing import Process def calc(): total 0 for i in range(100000000): total i print(计算完成, total) if __name__ __main__: processes [] for _ in range(4): p Process(targetcalc) processes.append(p) p.start() for p in processes: p.join()多进程的缺点是进程之间的通信IPC比线程之间共享内存成本更高数据传递需要序列化和反序列化适合 CPU 密集型任务。方案二使用 C 扩展对于某些计算密集的库比如 NumPy、Pandas它们底层使用 C/C 实现在操作数据时会释放 GIL因此能利用多核 CPU 的能力。方案三使用 asyncioasyncio是单线程的协程方案适合 I/O 密集型任务。它通过事件循环在单个线程内调度多个协程避免了线程切换的开销。对于高并发网络请求asyncio 的性能往往优于多线程。2.4 GIL 面试如何回答面试官如果问“Python 多线程是不是没用”回答的思路应该是先说明 GIL 的本质再区分任务类型。重点强调GIL 是 CPython 的全局解释器锁同一时间只有一个线程执行 Python 字节码。CPU 密集型任务多线程无法利用多核建议使用多进程。I/O 密集型任务多线程仍然有效因为线程在 I/O 等待时会释放 GIL。GIL 不意味着线程安全count 1这种非原子操作仍然需要加锁。这样的回答既说清了原理又展示了在实际项目中的选型能力比单纯背诵 GIL 的定义要更有说服力。3. 第69问深拷贝与浅拷贝 —— 别再搞混引用和副本深拷贝和浅拷贝经常出现在 Python 面试的基础题中它考察的是对 Python 对象模型的掌握程度。很多人能说出“浅拷贝只拷贝一层深拷贝递归拷贝所有层”但遇到嵌套列表的代码题时还是容易出错。3.1 什么是引用、赋值、浅拷贝、深拷贝先看最简单的赋值a [1, 2, 3] b a b.append(4) print(a) # [1, 2, 3, 4]b a不是拷贝它只是让b和a指向同一个列表对象。修改b就是修改a因为它们是同一个对象。浅拷贝会创建一个新的容器对象但容器内的元素仍然引用原对象。对于列表来说浅拷贝后新列表和原列表是不同的对象但里面的元素是同一个对象。深拷贝会递归创建所有子对象的新副本新容器内的元素和原容器内的元素完全独立修改任何一个都不会影响另一个。3.2 copy 模块的使用Python 的copy模块提供了copy()和deepcopy()两个函数分别用于浅拷贝和深拷贝。import copy # 浅拷贝 a [[1, 2], [3, 4]] b copy.copy(a) b.append([5, 6]) print(a) # [[1, 2], [3, 4]] print(b) # [[1, 2], [3, 4], [5, 6]] # 修改子列表 b[0].append(99) print(a) # [[1, 2, 99], [3, 4]] print(b) # [[1, 2, 99], [3, 4], [5, 6]]从运行结果可以看出浅拷贝后b和a最外层是两个不同的列表因此b.append()不会影响a。但b[0]和a[0]指向同一个内部列表所以修改b[0]时a[0]也会变化。深拷贝则完全不同import copy a [[1, 2], [3, 4]] c copy.deepcopy(a) c[0].append(99) print(a) # [[1, 2], [3, 4]] print(c) # [[1, 2, 99], [3, 4]]深拷贝后c的所有层都是独立的对象修改c[0]不会影响a。3.3 可变对象与不可变对象的影响深拷贝和浅拷贝的行为与对象的可变性密切相关。不可变对象包括int、str、tuple、frozenset等。不可变对象本身不能被修改所以浅拷贝和深拷贝对于不可变对象来说没有本质区别。这里有一个容易踩的坑元组tuple是不可变的但元组内部的元素可能是可变对象。import copy t (1, [2, 3]) t1 copy.copy(t) t2 copy.deepcopy(t) t1[1].append(4) print(t) # (1, [2, 3, 4]) print(t1) # (1, [2, 3, 4]) print(t2) # (1, [2, 3])浅拷贝后的元组内部列表仍然和原元组共享而深拷贝后的列表是独立的。所以回答问题时不能简单说“元组不可变就不需要深拷贝”要看元组内部有没有可变对象。3.4 面试追问与回答思路面试官常问的一个问题是copy()和deepcopy()的性能差异。深拷贝需要递归遍历所有对象如果对象层级很深、数据量很大会非常耗时耗内存。实际开发中如果只是需要一个新容器来添加元素浅拷贝就够了只有需要完全独立的嵌套对象时才用深拷贝。另一个常问的问题是如何自己实现一个浅拷贝可以用切片a[:]、list(a)、dict(a)、a.copy()等方法。这些方法都只拷贝一层本质上和copy.copy()行为一致。需要区分的是a[:]和a赋值是不同的切片会创建新列表赋值只是绑定引用。面试时回答深拷贝浅拷贝的题目可以按这个顺序先定义清楚三个概念赋值、浅拷贝、深拷贝再用嵌套列表的代码展示区别最后说明如何根据场景选择。如果能顺便提一句不可变对象和可变对象的差异面试官通常会觉得理解比较扎实。4. 第70问迭代器与生成器 —— 理解惰性求值的核心迭代器与生成器是 Python 面试中非常基础但也很容易混淆的话题。它们都能用来遍历数据但本质上差别很大。理解这两个概念对于处理大数据集、优化内存占用很有帮助。4.1 可迭代对象与迭代器在 Python 中如果一个对象实现了__iter__方法那么它就是可迭代对象。列表、元组、字符串、字典、集合都是可迭代对象。而迭代器是实现了__iter__和__next__两个方法的对象__iter__返回自身__next__返回下一个元素没有元素时抛出StopIteration异常。# 列表是可迭代对象但不是迭代器 lst [1, 2, 3] print(hasattr(lst, __next__)) # False # iter() 可以把可迭代对象变成迭代器 it iter(lst) print(hasattr(it, __next__)) # True print(next(it)) # 1 print(next(it)) # 2 print(next(it)) # 3for循环的工作原理就是先调用iter()获取迭代器然后不断调用next()直到捕获StopIteration异常。手动实现一个迭代器可以更清楚地看到这个过程class MyIterator: def __init__(self, data): self.data data self.index 0 def __iter__(self): return self def __next__(self): if self.index len(self.data): raise StopIteration value self.data[self.index] self.index 1 return value for item in MyIterator([10, 20, 30]): print(item)运行结果10 20 304.2 生成器的本质生成器是迭代器的一种它的特点是使用yield关键字而不是return。函数中出现yield时调用这个函数不会立即执行函数体而是返回一个生成器对象。每次调用next(),函数体执行到yield处就会暂停并记录当前状态下次继续执行。def count_down(n): print(开始执行) while n 0: yield n n - 1 print(结束执行) gen count_down(3) print(创建生成器完成) print(next(gen)) # 开始执行 3 print(next(gen)) # 2 print(next(gen)) # 1运行结果创建生成器完成 开始执行 3 2 1注意“开始执行”是在第一次next()时输出的而不是在创建生成器时输出的。这就是惰性求值生成器的代码只有在被迭代时才会执行。生成器最大的优势是节省内存。比如需要处理一个很大的文件或数据集如果用列表一次性加载到内存可能会内存溢出用生成器可以逐个产生数据内存占用只和单个元素相关。看下面的对比# 列表推导式一次性生成所有元素 squares_list [x * x for x in range(10)] print(squares_list) # [0, 1, 4, 9, 16, 25, 36, 49, 64, 81] # 生成器表达式逐个产生元素 squares_gen (x * x for x in range(10)) print(squares_gen) # generator object genexpr at 0x... print(next(squares_gen)) # 0 print(next(squares_gen)) # 1列表推导式使用方括号生成器表达式使用圆括号。两者语法上只差一个括号但行为完全不同面试时需要注意区分。4.3 yield 与 send生成器除了支持next()之外还支持send()方法。send()可以向生成器内部传入值这个值会成为当前yield表达式的返回值。def echo(): while True: received yield print(f收到: {received}) gen echo() next(gen) # 启动生成器执行到 yield 暂停 gen.send(hello) # 收到: hello gen.send(123) # 收到: 123yield表达式如果没有接收值默认返回None。使用send()之前必须先调用一次next()或gen.send(None)来启动生成器否则会报TypeError: cant send non-None value to a just-started generator。4.4 面试高频追问面试官通常会把生成器和迭代器放在一起对比常问的问题有问题一迭代器和生成器的区别是什么迭代器是一个更宽泛的概念任何实现了__iter__和__next__方法的对象都是迭代器。生成器是迭代器的一种简化实现方式由包含yield的函数创建。生成器不需要手动写__iter__和__next__Python 会自动生成这两个方法。问题二为什么生成器能节省内存因为生成器是惰性求值的它不会一次性创建所有元素而是在每次迭代时动态生成下一个元素。对于无限序列或超大数据集生成器几乎是唯一的选择。问题三return和yield在生成器中有何区别在生成器函数中yield用于产生一个值并暂停执行return用于结束生成器。如果return后面有值这个值可以通过StopIteration异常的value属性获取但一般情况下我们不会直接依赖这个行为。正常使用中生成器遍历完最后一个yield后就会抛出StopIteration代表迭代结束。def gen(): yield 1 return # 等价于 raise StopIteration g gen() print(next(g)) # 1 # print(next(g)) # StopIteration5. 四个知识点的综合对比与学习建议前四节把四个 Python 高频考点拆开讲了但在实际面试中这几个知识点经常是关联出现的。比如面试官先问生成器再问 GIL然后引申到多线程的效率问题或者先问装饰器再问装饰后的函数名称变化最后引申到functools.wraps的原理。5.1 高频考点对比知识点核心思想典型应用场景易错点装饰器函数也是对象利用闭包增强函数功能日志、计时、权限校验、缓存忘记functools.wraps被装饰函数元信息丢失GILCPython 同一时间只有一个线程执行字节码I/O 密集型任务用多线程CPU 密集型用多进程误以为 GIL 保证线程安全深拷贝浅拷贝拷贝层级不同嵌套对象是否完全独立数据导出、配置复制、对象隔离只考虑最外层忽略嵌套可变对象迭代器与生成器惰性求值按需产生数据大数据处理、无限序列、流水线处理把生成器表达式和列表推导式搞混5.2 学习中容易踩的坑在学习这四个知识点时很多人容易犯几个共性问题。第一个问题是只看概念不写代码。装饰器、生成器这些概念如果用“能背定义”来衡量好像很快就掌握了但真遇到写代码就会出现各种问题。比如装饰器函数忘记返回wrapper生成器函数忘记写yield导致返回空列表。第二个问题是忽略场景差异。比如面试问了 GIL 之后有些人只知道“多线程有 GIL”但回答不出“什么场景下该用多线程、什么场景下该用多进程”这就说明没有把概念和实际工程结合起来。第三个问题是只关注单个知识点不关注底层原理。深拷贝浅拷贝如果只是背出copy.copy和copy.deepcopy的区别面试官再问“为什么整数是不可变对象”“列表为什么是可变对象”时就会卡壳。建议在学这几个知识点时花时间把 Python 对象模型、__iter__、__next__、引用计数这些底层机制梳理清楚。5.3 给准备 Python 面试的读者一些建议在面试中回答基础概念题时不需要背诵标准答案而是可以通过“是什么、为什么、怎么做、有什么坑”这个思路来组织语言。以装饰器为例先说明装饰器是给函数动态增加功能的语法糖再解释它是基于闭包实现的然后展示一个带参数的装饰器代码示例最后补充说明functools.wraps的必要性。这样既回答了定义也展示了代码能力还体现了工程经验。学习这四个知识点时可以做几个小练习来验证自己是否真正掌握用装饰器实现一个带缓存功能的memoize装饰器用自己的语言解释 GIL 为什么只影响 CPU 密集型任务写一个嵌套列表的深拷贝和浅拷贝对比示例用生成器实现一个斐波那契数列。这些练习涉及到的代码并不多但能帮助你把这些概念从“知道”变成“会用”。Python 的基础概念并不难难的是把它讲清楚、用对地方。如果你在准备面试建议不要只收藏资料而是动手把每一段示例代码敲一遍观察运行结果再尝试修改代码验证自己的理解。这个过程比看十篇教程都有效。后续的八股文系列也会继续整理更多高频考点欢迎大家持续关注。