简介这份《Python 八股文.pdf》面向准备技术面试的 Python 学习者与初中级开发者系统梳理高频核心考点帮助读者在有限时间内建立完整的知识框架。内容围绕内置电池、生成器与迭代器、列表与元组、字典实现、GIL 全局解释器锁、Python 2 与 3 差异、可变与不可变对象、闭包、装饰器及元类等主题展开既讲概念定义也结合代码示例说明底层原理与常见追问方向。资源包内含 1 个 PDF 文件整体约 304KB轻量便携适合通勤或碎片时间反复翻阅。目前已有 13672 人学习下载说明其在面试复习场景中具备较高参考价值。读者可借此快速定位薄弱环节理解生成器延迟计算、字典 O(1) 查询、GIL 对多线程的影响等关键机制并借助闭包、装饰器、元类等进阶内容提升对 Python 语言特性的整体把握。1. 面试间里的“八股文”为什么这些老概念总被反复问你可能遇到过这种场景面试官坐下来第一个问题不是让你写代码而是问“Python 的生成器和迭代器有什么区别”。你心里嘀咕这都什么年代了怎么还在问这些但偏偏就是这些被戏称为“八股文”的基础概念几乎每一轮技术面都会出现。原因不复杂——它们不是死记硬背的考点而是理解 Python 这门语言行为方式的钥匙。打个比方学开车不一定要懂发动机原理但如果你知道变速箱什么时候换挡、刹车为什么会有热衰减你开起来就会更有判断力。Python 的生成器、迭代器、GIL、可变与不可变对象就是这门语言的“变速箱逻辑”。搞懂它们你才能解释为什么有些代码跑得快、有些写法会踩坑、有些 bug 看起来像玄学。这份《Python 八股文.pdf》把散落在各处的基础概念收拢到一起用问答的方式一条条讲清楚适合当成一本随时翻查的“概念字典”。2. 从生成器到迭代器一对最容易搞混的“孪生兄弟”2.1 生成器到底解决了什么问题假设你要处理一个包含一千万个元素的列表每个元素都要做某种计算。如果一次性把所有结果算出来存进列表内存瞬间就被吃光了。生成器的思路是别急你要一个我算一个。Python 里创建生成器有两种方式。第一种是列表生成式加括号# 列表生成式用方括号生成器用圆括号 g1 (x for x in range(10))第二种是在函数里用yield关键字def fib(max): n, a, b 0, 0, 1 while n max: yield b # 每次执行到这里暂停把 b 交出去 a, b b, a b n n 1 return done g2 fib(8)yield的行为很像一个“暂停键”。函数执行到yield时把值交出去自己停在那里下次你再要值它从暂停的地方继续跑。这就是为什么生成器“不占内存”——它不需要提前把所有结果算好存起来而是用的时候才算。注意生成器只能遍历一次。遍历完了再想从头来得重新创建一个新的生成器对象。2.2 可迭代对象和迭代器的层级关系很多人把“可迭代”和“迭代器”当成同义词其实它们是一个包含关系。可迭代对象Iterable是那些能用在for循环里的东西包括 list、tuple、str、dict、set以及生成器。判断一个对象是否可迭代可以用from collections.abc import Iterable print(isinstance([1, 2, 3], Iterable)) # True print(isinstance(hello, Iterable)) # True print(isinstance(123, Iterable)) # False迭代器Iterator的要求更严格它必须能被next()函数不断调用并返回下一个值直到抛出StopIteration。列表是 Iterable 但不是 Iterator你可以用iter()把列表转成迭代器lst [1, 2, 3, 4, 5] it iter(lst) # 把列表转成迭代器 print(next(it)) # 1 print(next(it)) # 2从类定义的角度看可迭代对象只需要实现__iter__()方法迭代器则需要同时实现__iter__()和__next__()。生成器天然就是迭代器因为它自动实现了这两个方法。但反过来不成立——迭代器不一定是生成器你可以自己写一个类来实现迭代器协议而不用yield。2.3 为什么面试官总爱问这两个因为这两个概念串起了 Python 里“惰性求值”和“协议编程”两条主线。理解了生成器你就能理解为什么range(1000000)不会撑爆内存理解了迭代器协议你就能理解for循环背后到底在做什么——它先调用iter()拿到迭代器然后反复调用next()直到捕获StopIteration才停下来。这份资料里把生成器和迭代器的定义、创建方式、判断方法都列得很清楚遇到不确定的时候翻一下比在网上搜碎片化的答案要快得多。3. 可变与不可变一个“传参翻车”引出的核心概念3.1 为什么修改一个变量会“牵连”另一个先看一段代码a [1, 2, 3] b a b.append(4) print(a) # [1, 2, 3, 4]你只改了ba也跟着变了。这不是 bug而是因为a和b指向的是同一个列表对象。列表是可变对象你对它做的任何修改都是“原地修改”所有指向它的变量都会看到变化。换成不可变对象就不一样了x 10 y x y y 1 print(x) # 10 print(y) # 11整数是不可变的y y 1并不是修改了原来的 10而是创建了一个新的整数对象 11让y指向它。x仍然指向 10。Python 里的可变对象包括 list、dict、set不可变对象包括 bool、int、float、tuple、str。这个分类直接影响函数传参的行为——把列表传进函数函数内部修改它会影响到外面把整数传进去函数内部怎么改都不会影响外面。3.2 浅拷贝和深拷贝的区别到底在哪理解了可变与不可变再看拷贝就清晰了。赋值只是创建了一个新的引用两个变量指向同一个对象。浅拷贝copy.copy创建了一个新对象但新对象里包含的还是对原始对象内部元素的引用。深拷贝copy.deepcopy则是递归地复制所有嵌套对象完全独立。import copy original [[1, 2], [3, 4]] shallow copy.copy(original) deep copy.deepcopy(original) original[0].append(99) print(shallow) # [[1, 2, 99], [3, 4]] 浅拷贝跟着变了 print(deep) # [[1, 2], [3, 4]] 深拷贝不受影响浅拷贝只复制了外层列表内层的子列表还是共享的。深拷贝把里里外外都复制了一遍所以原对象怎么改都跟它没关系。提示深拷贝虽然彻底但遇到循环引用或超大对象时开销很大不是所有场景都适合用。3.3 常见误区这些概念最容易搞混误区一把“可迭代对象”等同于“迭代器”。列表是可迭代对象但它不是迭代器。区别在于迭代器有状态能记住遍历到哪了列表没有“遍历位置”这个概念每次for循环都从头开始。区分方法很简单能用next()的就是迭代器只能用在for里的就是可迭代对象。误区二以为元组完全不可变。元组本身不可变但如果元组里装的是列表那个列表的内容是可以改的。t (1, [2, 3])你不能把t[0]改成别的但可以t[1].append(4)。元组的“不可变”指的是它持有的引用不变不是引用指向的对象不变。误区三认为多线程一定能加速。在 CPython 里由于 GIL 的存在同一时刻只有一个线程在执行 Python 字节码。多线程适合 IO 密集型任务比如网络请求、文件读写因为 IO 等待时 GIL 会被释放但 CPU 密集型任务用多线程反而可能更慢应该用多进程。误区四把is和混用。比较的是值is比较的是内存地址。对于小整数和短字符串Python 有缓存机制可能让is返回 True但这不代表所有相同值的对象都是同一个。判断值相等用判断是不是同一个对象用is。误区五以为 Python 2 和 Python 3 只是版本号不同。两者的差异是结构性的print在 Python 3 里是函数在 Python 2 里是语句Python 3 的str是 Unicode 字符串Python 2 的str是字节串Python 3 的除法返回浮点数Python 2 的整数除法返回整数。这些差异直接影响代码的行为不是改个版本号就能兼容的。4. GIL 与多线程为什么你的多核 CPU 跑不满4.1 GIL 到底是什么GIL 全称 Global Interpreter Lock全局解释器锁。它的作用是确保任何时刻只有一个线程在执行 Python 字节码。即使你的机器有 8 个核用 CPython 跑多线程时同一时刻也只有一个线程在跑 Python 代码。这听起来很反直觉——多线程不就是为了并行吗但在 CPython 的设计里GIL 是为了保护解释器内部数据结构的一致性。Python 的内存管理不是线程安全的如果没有 GIL多个线程同时操作引用计数可能会导致内存泄漏或崩溃。GIL 用一把大锁把这些问题挡在外面代价就是多线程无法真正并行执行 Python 代码。4.2 为什么 IO 密集型任务还能用多线程关键在于 GIL 的释放时机。Python 在执行 IO 操作时会主动释放 GIL让其他线程有机会运行。所以当你做网络请求、读写文件、查询数据库时线程大部分时间在等 IOGIL 的争抢并不激烈多线程仍然能提升整体吞吐量。但如果是纯计算任务比如大量数学运算、循环处理数据线程会一直占着 GIL 不放其他线程只能干等。这时候多线程不仅不能加速反而因为线程切换的开销变得更慢。解决办法是用多进程multiprocessing每个进程有自己独立的解释器和 GIL可以真正利用多核。4.3 元类、闭包、装饰器这些概念为什么总被放在一起问因为它们都涉及“函数是一等公民”和“类也是对象”这两个 Python 核心设计。闭包是一个嵌套函数内部函数引用了外部函数的变量并且外部函数返回了内部函数。闭包能“记住”外部函数的变量即使外部函数已经执行完毕。装饰器本质上是一个接收函数作为参数的闭包它可以在不修改原函数代码的情况下给函数添加额外功能。比如一个计时装饰器import time def calc_time(func): def inner(): t1 time.time() func() t2 time.time() print(cost time: {}s.format(t2 - t1)) return inner元类则是“创建类的类”。普通类是type的实例而元类允许你在类定义时和类实例化时插入自定义逻辑。比如在 ORM 框架里定义一个类就代表数据库里的一张表元类可以自动把类属性名转成小写、生成对应的 SQL 映射。这些概念之所以常被放在一起是因为它们都体现了 Python 的“元编程”能力——用代码来操作代码。5. 什么时候该翻这份资料什么时候不该这份《Python 八股文.pdf》的定位很明确它是一本概念速查手册不是从零入门的教程也不是深入 CPython 源码的专著。它适合的场景是——你已经在写 Python 代码但遇到某个概念不确定想快速搞清楚定义、区别和典型用法。比如面试前突击复习、代码 review 时跟同事争论“生成器到底是不是迭代器”、或者写装饰器时忘了闭包的作用域规则。它不适合的场景也很明确如果你还没写过任何 Python 代码直接看这些问答会觉得很抽象因为缺少实际踩坑的经验来挂钩。另外如果你需要的是某个第三方库的具体用法、性能调优的实战技巧、或者某个框架的深度源码分析这份资料也帮不上忙——它的覆盖面是语言基础概念不是工程实践。我自己的习惯是每次遇到“这个行为怎么跟我预期不一样”的时候先翻一遍这份资料里对应的章节。比如有一次我写了一个函数传了一个列表进去函数内部修改了列表外面也跟着变了我一开始以为是 bug翻了可变对象那一节才反应过来是引用传递的正常行为。从那以后我每次传可变对象进函数都会先想一下是要原地修改还是需要拷贝一份。提示概念类的资料最好的用法是“遇到问题再查”而不是从头到尾背一遍。带着具体问题去翻记忆效果比死记硬背好得多。希望这份资料能帮你在遇到 Python 基础概念时少一点懵、多一点笃定。本文还有配套的精品资源点击获取
