Собеседование Middle Fullstack Python: GIL, dict и генераторы

На собеседовании Middle Fullstack-разработчика проверяли прежде всего фундамент Python: конкурентность, модель объектов, коллекции и протоколы языка. Знания Django и React оставили для следующей части. Здесь важен не список терминов, а способность связать механизм с практической задачей.

Что такое GIL и когда нужны asyncio, потоки или процессы

В обычной сборке CPython GIL позволяет только одному потоку одновременно выполнять байткод Python. При этом потоки остаются полезными: во время ожидания сети, файла или ответа базы интерпретатор может переключиться на другую работу. Современный Python также поддерживает экспериментальные free-threaded сборки без GIL, поэтому формулировка «Python всегда однопоточный» уже неверна. Детали собраны в глоссарии Python.

Выбор начинается с характера нагрузки:

asyncio не обязано быть быстрее потоков в любой задаче. Оно выигрывает там, где зависимостей много, они неблокирующие и команда контролирует точки переключения.

Как устроен dict и каким должен быть его ключ

dict сопоставляет хэшируемые ключи значениям. Для пользовательского класса особенно важно правило: равные объекты обязаны иметь одинаковый хэш, а хэш ключа не должен меняться, пока ключ находится в словаре. Именно поэтому изменяемые list, dict и set нельзя использовать как ключи.

Кортеж подходит не автоматически. (1, "python") хэшируем, а (1, []) — нет, потому что список внутри изменяем. В своём классе обычно согласуют __eq__() и __hash__(); подробные требования есть в модели данных Python.

Типичная ошибка. Говорить, что любой неизменяемый объект всегда годится для ключа.

Как лучше. Проверить хэшируемость объекта и стабильность полей, участвующих в сравнении и хэше.

Как Python передаёт аргументы в функцию

Python присваивает локальному имени ссылку на уже существующий объект. Поэтому функция может изменить переданный список на месте, но простое присваивание нового списка локальному параметру не заменит объект у вызывающего кода.

def add_item(items: list[str]) -> None:
    # append меняет тот же список, который передал вызывающий код.
    items.append("Django")


def replace_items(items: list[str]) -> None:
    # Здесь локальное имя получает новый объект, исходный список не меняется.
    items = ["React"]


stack = ["Python"]
add_item(stack)
replace_items(stack)
print(stack)  # ['Python', 'Django']

Этот пример точнее формулы «изменяемое передаётся по ссылке, неизменяемое — по значению»: механизм передачи один, различается поведение самого объекта.

Почему изменяемый параметр по умолчанию опасен

Значение параметра по умолчанию вычисляется один раз при создании функции. Если поставить items=[], один список будет накапливать данные между вызовами. FAQ Python рекомендует использовать None и создавать объект внутри функции.

def collect(value: int, items: list[int] | None = None) -> list[int]:
    # Для каждого вызова без items создаём отдельный список.
    if items is None:
        items = []
    items.append(value)
    return items


print(collect(1))  # [1]
print(collect(2))  # [2], а не [1, 2]

Чем итератор отличается от генератора

Итератор — объект с __next__(), который выдаёт следующий элемент и завершает работу исключением StopIteration. Генератор — удобный способ создать итератор функцией с yield: состояние функции сохраняется между обращениями. Официальное описание протокола есть в разделе Iterator Types.

Генераторы полезны для больших файлов и потоков данных, потому что не обязаны хранить весь результат в памяти. Но они одноразовые: после полного обхода тот же объект заново данные не выдаст.

Чем отличаются обычный, классовый и статический методы

Обычный метод получает self и работает с конкретным экземпляром. @classmethod получает cls; его часто используют для альтернативных конструкторов и операций над состоянием класса. @staticmethod не получает ни экземпляр, ни класс и подходит для функции, логически связанной с классом.

Контекстный менеджер решает другую задачу: методы __enter__() и __exit__() управляют входом и выходом из блока with. Они помогают гарантированно освободить файл, соединение или блокировку даже при исключении.

Итог: получил бы кандидат оффер

Фактический результат встречи не опубликован. По доступной части кандидат скорее прошёл бы дальше, но уверенного Middle-оффера мы бы пока не прогнозировали. Он знал основные идеи и спокойно рассуждал, однако путался в передаче аргументов, генераторах и видах методов. Для Middle это поправимые, но заметные пробелы: после уточнения интервьюер ждёт точной модели, а не приблизительного определения.

Для подготовки полезно проверить себя:

• Объясняю выбор между asyncio, потоками и процессами на конкретной нагрузке.
• Могу написать хэшируемый класс и объяснить связь __eq__ с __hash__.
• Показываю разницу между мутацией объекта и перепривязкой имени.
• Пишу безопасный параметр по умолчанию без подсказки.
• Различаю итератор, генератор и итерируемый объект.

Источники

• Python: Global Interpreter Lock
• Python: модель данных и hash
• Python FAQ: изменяемые значения по умолчанию
• Python: типы итераторов