Python 基础面试第三弹

1. 获取当前目录下所有文件名

import os

def get_all_files(directory):
    file_list = []
    # os.walk返回一个生成器，每次迭代时返回当前目录路径、子目录列表和文件列表
    for root, dirs, files in os.walk(directory): 
        for file in files:
            file_list.append(os.path.join(root, file))
    return file_list

# 获取当前目录下的所有文件名
current_directory = os.getcwd()
files = get_all_files(current_directory)

# 打印所有文件名
for file in files:
    print(file)

2. Python中生成器和迭代器区别

def fibonacci_generator(n):
    a, b = 0, 1
    count = 0
    while count < n:
        yield a
        a, b = b, a + b
        count += 1

# 使用生成器按需生成斐波那契数列的前10个元素
fibonacci = fibonacci_generator(10)

# 逐个打印生成的元素
for num in fibonacci:
    print(num)

# 创建一个可迭代对象
my_list = [1, 2, 3, 4, 5]

# 获取迭代器对象
my_iter = iter(my_list)

# 使用迭代器对象进行迭代
try:
    while True:
        item = next(my_iter)
        print(item)
except StopIteration:
    pass

class MyIterable:
    def __init__(self, data):
        self.data = data

    def __iter__(self):
        self.index = 0
        return self

    def __next__(self):
        if self.index < len(self.data):
            item = self.data[self.index]
            self.index += 1
            return item
        else:
            raise StopIteration

# 创建一个可迭代对象实例
my_iterable = MyIterable([1, 2, 3, 4, 5])

# 使用迭代器进行迭代
for item in my_iterable:
    print(item)

4. Python2 和 Python3主要的区别有哪些：

Python 2.x 和 Python 3.x 之间的一些主要区别：

1. 打印函数：在 Python 2.x 中，打印语句是一个关键字，使用类似于 print "Hello" 的语法。而在 Python 3.x 中，print 被改造为一个内置函数，需要使用括号，例如 print("Hello")。

2. 整数除法：在 Python 2.x 中，整数除法的结果会被截断为整数，例如 5 / 2 的结果是 2。而在 Python 3.x 中，整数除法的结果将保留小数部分，得到浮点数结果，例如 5 / 2 的结果是 2.5。如果想要执行截断整数除法，可以使用 // 运算符。

3. Unicode 字符串：在 Python 2.x 中，字符串类型分为普通字符串和 Unicode 字符串（以 u 前缀表示），这导致字符串处理的一些混乱和困惑。而在 Python 3.x 中，所有字符串都是 Unicode 字符串，普通字符串是以字节表示的，需要使用 b 前缀表示。

4. xrange 替代 range：在 Python 2.x 中，range 函数返回的是一个列表，如果需要生成大范围的整数序列，会占用大量内存。而在 Python 3.x 中，range 函数的实现类似于 Python 2.x 中的 xrange，返回一个迭代器对象，节省了内存。

5. 异常语法：在 Python 2.x 中，捕获异常时使用的语法是 except Exception, e，将异常对象存储在变量 e 中。而在 Python 3.x 中，使用 except Exception as e 的语法，将异常对象存储在变量 e 中。

6. input 函数：在 Python 2.x 中，input 函数会将用户输入的内容作为 Python 代码进行解析，存在安全风险。而在 Python 3.x 中，input 函数始终将用户输入的内容作为字符串返回，不进行解析。

除了上述主要区别之外，Python 3.x 还进行了一些其他改进，包括改进的类定义语法、更好的模块管理和导入机制、更一致的异常处理和错误机制等。然而，这也导致了 Python 2.x 代码无法直接在 Python 3.x 中运行，需要进行一些修改和调整。

5. 说说Python中多线程和多进程

1. 多线程（Multithreading）：

   • 多线程是指在一个进程内创建多个线程，每个线程独立执行不同的任务。多线程共享进程的内存空间，因此线程之间可以方便地共享数据。
   • 在 Python 中，可以使用 threading 模块来创建和管理线程。通过创建 Thread 类的实例，指定要执行的函数或方法，并调用 start() 方法，可以启动一个线程。
   • Python 的多线程由于全局解释器锁（Global Interpreter Lock，GIL）的存在，同一时刻只允许一个线程执行 Python 字节码。这意味着多线程并不能充分利用多核处理器，并发性能受限。多线程适用于 I/O 密集型任务，如网络请求、文件读写等，但对于 CPU 密集型任务，多线程并不能提升性能。

2. 多进程（Multiprocessing）：

   • 多进程是指创建多个独立的进程，每个进程都有自己的内存空间和系统资源。多个进程之间相互独立，可以并行执行不同的任务。每个进程都有自己的 Python 解释器，因此可以充分利用多核处理器，提高并发性能。
   • 在 Python 中，可以使用 multiprocessing 模块来创建和管理进程。通过创建 Process 类的实例，指定要执行的函数或方法，并调用 start() 方法，可以启动一个进程。
   • 多进程可以通过进程间通信（Inter-Process Communication，IPC）来实现进程之间的数据共享。Python 提供了多种 IPC 机制，如队列（Queue）、管道（Pipe）和共享内存等。

总结：

• 多线程适合处理 I/O 密集型任务，可以提高程序的响应能力和效率。
• 多进程适合处理 CPU 密集型任务，可以充分利用多核处理器提高并发性能。
• 在 Python 中，多线程受到 GIL 的限制，多进程可以绕过 GIL，实现真正的并行执行。
• 使用多线程或多进程时需要注意线程安全和进程安全的问题，避免数据竞争和共享资源的冲突。

6. Python中GIL锁：

　　全局解释器锁（Global Interpreter Lock，简称 GIL）是在 CPython 解释器中存在的一个特性。它是一种机制，用于保证同一时刻只有一个线程执行 Python 字节码。虽然 GIL 的存在确保了 CPython 解释器的线程安全性，但也对多线程并发执行带来了一些限制。

以下是对 GIL 的一些详细解释和理解：

1. GIL 的作用：

   • GIL 的主要作用是保护 CPython 解释器内部的数据结构免受并发访问的影响，确保线程安全。
   • CPython 使用引用计数（Reference Counting）作为内存管理的主要机制。GIL 保证了在修改引用计数时的原子性，避免了竞态条件（Race Condition）和内存泄漏问题。
   • GIL 还可以简化 CPython 解释器的实现，使其更加简单高效。

2. GIL 的影响：

   • 由于 GIL 的存在，同一时刻只有一个线程可以执行 Python 字节码，其他线程被阻塞。这意味着多线程并不能充分利用多核处理器，无法实现真正的并行执行。
   • 对于 CPU 密集型任务，由于 GIL 的限制，多线程并不能提升性能。实际上，由于线程切换的开销，可能导致多线程执行速度比单线程还要慢。
   • GIL 对于 I/O 密集型任务的影响相对较小，因为线程在进行 I/O 操作时会主动释放 GIL，允许其他线程执行。因此，多线程在处理 I/O 操作时仍然可以提供一定的性能优势。

3. 解决 GIL 的方法：

   • 采用多进程：由于每个进程都有独立的 Python 解释器和 GIL，多进程可以充分利用多核处理器，实现并行执行。
   • 使用扩展模块：某些扩展模块，如 NumPy、Pandas 等，使用 C/C++ 编写，可以释放 GIL，允许多线程并行执行。
   • 使用多线程库：一些第三方库，如 multiprocessing 模块、concurrent.futures 模块等，提供了替代方案，使得在某些情况下可以绕过 GIL 的限制。

需要注意的是，GIL 只存在于 CPython 解释器中，而其他实现（如 Jython、IronPython）可能没有 GIL。此外，对于许多类型的应用程序，如 I/O 密集型、并发处理不频繁的应用程序，GIL

的影响较小，可以继续使用多线程来实现并发。然而，对于 CPU 密集型任务和需要充分利用多核处理器的应用程序，考虑使用多进程或其他解决方案来规避 GIL。

热门相关：总裁的天价小妻子   不科学御兽   大妆   今天也没变成玩偶呢   未来兽世：买来的媳妇，不生崽