南京字节一面题，可能因为项目不太匹配，全程八股比较多，也有两道手撕代码题，强度还是有的。为了方便大家学习，大部分答案由GPT整理，有些题给出了我认为回答比较好的博客链接。

---

一、python2 和 python 3 的区别？

（1）语法差异：Python 3引入了一些语法上的改变。例如，Python 3中的print语句变成了函数调用print()，并且print后面需要加括号。此外，Python 3的整数除法运算符/将得到浮点数结果，而Python 2中的整数除法运算符/将截断小数部分。
（2）Unicode支持：在Python 2中，字符串默认使用ASCII编码，而在Python 3中，默认使用Unicode编码。这使得Python 3更好地支持国际化和处理非ASCII字符。
（3）异常处理：在Python 2中，except语句使用逗号分隔多个异常类型，而在Python 3中，使用as关键字将异常实例赋值给变量。
（4）xrange变为range：在Python 2中，range函数返回一个列表，而xrange函数返回一个迭代器。在Python 3中，range函数返回一个类似于Python 2中xrange的迭代器，而xrange函数被移除。
（5）其他标准库变化：Python 3中有一些标准库的改动，包括urllib、unittest和io等模块。
需要注意的是，由于Python 2的支持已于2020年停止，推荐使用Python 3来编写新的代码。如果您有现有的Python 2代码，可能需要进行一些修改才能在Python 3中运行。可以使用2to3工具来自动转换大部分代码，但某些特定的语法和库可能需要手动修改。

python2与python3的区别
上面这个博客总结得挺好，建议直接看这个博客

二、python的多线程是一个假线程，请问它具体是怎么“假”的

答：Python的多线程之所以被称为“假线程”，主要是因为全局解释器锁（Global Interpreter Lock, GIL）的存在。GIL限制了真正的并行执行，即使在多线程环境中，Python也无法充分利用多核CPU的优势。以下是对这一现象的详细解释：
GIL（全局解释器锁）

1. 定义： GIL是一种机制，用于在多线程环境中保护访问Python对象的内存安全。它确保同一时刻只有一个线程执行Python字节码，防止多个线程同时执行时出现竞态条件（race conditions）和其他并发问题。
2. 工作机制：
   o 在CPython解释器中（最常用的Python实现），GIL允许一个线程运行一定数量的字节码指令或在特定的I/O操作后，便会释放锁。
   o 其他线程必须等待GIL被释放才能获得执行权。
3. 影响：
   o CPU密集型任务：对于需要大量CPU运算的任务（如数值计算、图像处理），GIL会显著限制多线程的效率，因为同一时刻只有一个线程能获得GIL，导致多线程的性能表现与单线程相近。
   o I/O密集型任务：对于大量I/O操作（如网络请求、文件读写）的任务，多线程仍然有优势。因为线程在等待I/O操作完成时会释放GIL，其他线程可以继续执行。
   举例说明
   

假设有两个线程，A和B，它们都需要执行CPU密集型的计算：

在这种情况下，即使有两个线程，Python程序也无法同时利用多个CPU核心，因为GIL限制了同一时间只有一个线程能执行Python代码。因此，运行时间几乎不会比单线程快。

【扩展】解决办法：
为了克服GIL的限制，Python提供了一些替代方案：

1. 多进程： 使用multiprocessing模块，可以创建多个进程，每个进程都有自己的Python解释器和GIL，可以实现真正的并行执行。
   

2、C扩展和JIT编译： 使用C语言编写性能关键的部分，或者使用如PyPy等支持JIT编译的Python解释器，可以减少GIL的影响。
3、异步编程： 使用asyncio模块，实现协程并发处理，对于I/O密集型任务是一个很好的选择。

三、http3与http2的区别

补充：由于HTTP3 基于QUIC作为传输层协议，具有延迟更短、遇到错误重连时恢复时间更短的优点，且QUIC本身具有内置的安全性，默认启用加密，所以HTTP3也更安全。
这个总结写得挺好，可以直接看这个：
HTTP1 HTTP2 HTTP3的区别

四、算法题：二叉树A和二叉树B，判断B是不是A的子树

力扣572题 属于简单题 递归就行

五、设计题：Java 三个线程 第一个线程打印1 第二个线程打印2 第三个线程打印3（口述如何实现）

这一类题可以用的方法蛮多的，信号量Semaphore,锁Lock，notify啊等等都能解决。
手撕面试题：多个线程交替打印问题
上面这个专栏有总结一些打印题 里面就有

六、场景题：假如电脑内存只有1个G，但是需要你统计大约100个G的数据（假设都是int型的 ），每个数字出现的次数，问题在于这100个G的数字，无论是这个原始文件还是统计结果我都是存不下的，但是我又需要你把这个结果输出，那这个事要怎么做呢？

(用GPT 给出了一种分治的方法)
1、分块读取数据：一次读取一小部分数据，以避免内存溢出。
2、使用哈希桶分块：将每一小部分数据按哈希值分配到多个桶文件中。
3、统计哈希桶数据：对每个桶文件中的数据进行统计，并将结果写入临时文件。
4、逐步合并和输出结果：从每个桶文件中读取数据进行统计，并逐步将结果写入最终输出文件，以避免在内存中保持所有统计结果。（当内存中的统计结果超过一定数量，比如0.99G,我们就先将统计结果写入输出文件并清空内存）

【我怎么感觉上面有点不太对。。。我感觉就是用时间换空间 ，先分块，把100G数据分块，每块1个G，然后用哈希桶，比如：

当然实际要根据数据量修改桶的数量，比如题目这种情况我感觉桶得再多点 每次选定一个桶（比如余数都是1的数） 然后去遍历这100个块，每遍历一个块把结果放桶里，直到100个块遍历完，把桶的结果输出到外存，然后清空内存换个桶继续】

七、场景题：我现在有一个IP黑名单，我需要你设计一个服务去调用查看黑名单，我这个调用的QPS非常高，可能会达到阈值，你怎么来设计这个服务呢？ 去保持这种查询的稳定性，并且还可以往里面加新的IP，并且支持高可运行性。

要点一：用BitMap存储IP黑名单，每个IP对应一个bit位，1表示在黑名单中，0表示不在。IPv4地址有32位，最多需要2^32个bit（约512MB）来存储所有可能的IP地址。
要点二：使用Redis等分布式缓存存储BitMap，支持高并发读取和写入。
要点三：使用Kafka或RabbitMQ异步处理黑名单更新，避免直接写入影响查询性能。

设计思路：

查询服务：

接收IP地址，转换为BitMap中的偏移量。（示例如图）

查询Redis中的BitMap，返回是否在黑名单中。

如果Redis未命中，从数据库加载并更新Redis。

更新服务：

接收新IP地址，转换为BitMap偏移量。

通过消息队列异步更新数据库和Redis中的BitMap。

为了提高高可用性，从中间件的常用trick入手，如部署Redis集群，配置数据库主从复制，使用Nginx或HAProxy进行负载均衡，分散查询请求等入手发散。

---