Python面试必需要看的15个问题

时间 2019-11-09

原文原文链接

问题1

到底什么是Python？你能够在回答中与其余技术进行对比（也鼓励这样作）。java

答案
下面是一些关键点：python

Python是一种解释型语言。这就是说，与C语言和C的衍生语言不一样，Python代码在运行以前不须要编译。其余解释型语言还包括PHP和Ruby。
Python是动态类型语言，指的是你在声明变量时，不须要说明变量的类型。你能够直接编写相似x=111和x="I'm a string"这样的代码，程序不会报错。
Python很是适合面向对象的编程（OOP），由于它支持经过组合（composition）与继承（inheritance）的方式定义类（class）。Python中没有访问说明符（access specifier，相似C++中的public和private），这么设计的依据是“你们都是成年人了”。
在Python语言中，函数是第一类对象（first-class objects）。这指的是它们能够被指定给变量，函数既能返回函数类型，也能够接受函数做为输入。类（class）也是第一类对象。
Python代码编写快，可是运行速度比编译语言一般要慢。好在Python容许加入基于C语言编写的扩展，所以咱们可以优化代码，消除瓶颈，这点一般是能够实现的。numpy就是一个很好地例子，它的运行速度真的很是快，由于不少算术运算其实并非经过Python实现的。
Python用途很是普遍——网络应用，自动化，科学建模，大数据应用，等等。它也常被用做“胶水语言”，帮助其余语言和组件改善运行情况。
Python让困难的事情变得容易，所以程序员能够专一于算法和数据结构的设计，而不用处理底层的细节。程序员

为何提这个问题：
若是你应聘的是一个Python开发岗位，你就应该知道这是门什么样的语言，以及它为何这么酷。以及它哪里很差。面试

问题2

补充缺失的代码算法

def print_directory_contents(sPath):
    """
    这个函数接受文件夹的名称做为输入参数，
    返回该文件夹中文件的路径，
    以及其包含文件夹中文件的路径。

    """
    # 补充代码

答案编程

def print_directory_contents(sPath):
    import os                                       
    for sChild in os.listdir(sPath):                
        sChildPath = os.path.join(sPath,sChild)
        if os.path.isdir(sChildPath):
            print_directory_contents(sChildPath)
        else:
            print sChildPath

特别要注意如下几点：网络

命名规范要统一。若是样本代码中可以看出命名规范，遵循其已有的规范。
递归函数须要递归并终止。确保你明白其中的原理，不然你将面临无休无止的调用栈（callstack）。
咱们使用os模块与操做系统进行交互，同时作到交互方式是能够跨平台的。你能够把代码写成sChildPath = sPath + '/' + sChild，可是这个在Windows系统上会出错。
熟悉基础模块是很是有价值的，可是别想破脑壳都背下来，记住Google是你工做中的良师益友。
若是你不明白代码的预期功能，就大胆提问。
坚持KISS原则！保持简单，不过脑子就能懂！数据结构

为何提这个问题：
说明面试者对与操做系统交互的基础知识
递归真是太好用啦多线程

问题3

阅读下面的代码，写出A0，A1至An的最终值。app

A0 = dict(zip(('a','b','c','d','e'),(1,2,3,4,5)))
A1 = range(10)
A2 = [i for i in A1 if i in A0]
A3 = [A0[s] for s in A0]
A4 = [i for i in A1 if i in A3]
A5 = {i:i*i for i in A1}
A6 = [[i,i*i] for i in A1]

答案

A0 = {'a': 1, 'c': 3, 'b': 2, 'e': 5, 'd': 4}
A1 = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
A2 = []
A3 = [1, 3, 2, 5, 4]
A4 = [1, 2, 3, 4, 5]
A5 = {0: 0, 1: 1, 2: 4, 3: 9, 4: 16, 5: 25, 6: 36, 7: 49, 8: 64, 9: 81}
A6 = [[0, 0], [1, 1], [2, 4], [3, 9], [4, 16], [5, 25], [6, 36], [7, 49], [8, 64], [9, 81]]

为何提这个问题：
列表解析（list comprehension）十分节约时间，对不少人来讲也是一个大的学习障碍。
若是你读懂了这些代码，就极可能能够写下正确地值。
其中部分代码故意写的怪怪的。由于你共事的人之中也会有怪人。

问题4

Python和多线程（multi-threading）。这是个好主意码？列举一些让Python代码以并行方式运行的方法。

答案
Python并不支持真正意义上的多线程。Python中提供了多线程包，可是若是你想经过多线程提升代码的速度，使用多线程包并非个好主意。Python中有一个被称为Global Interpreter Lock（GIL）的东西，它会确保任什么时候候你的多个线程中，只有一个被执行。线程的执行速度很是之快，会让你误觉得线程是并行执行的，可是实际上都是轮流执行。通过GIL这一道关卡处理，会增长执行的开销。这意味着，若是你想提升代码的运行速度，使用threading包并非一个很好的方法。

不过仍是有不少理由促使咱们使用threading包的。若是你想同时执行一些任务，并且不考虑效率问题，那么使用这个包是彻底没问题的，并且也很方便。可是大部分状况下，并非这么一回事，你会但愿把多线程的部分外包给操做系统完成（经过开启多个进程），或者是某些调用你的Python代码的外部程序（例如Spark或Hadoop），又或者是你的Python代码调用的其余代码（例如，你能够在Python中调用C函数，用于处理开销较大的多线程工做）。

为何提这个问题
由于GIL就是个混帐东西（A-hole）。不少人花费大量的时间，试图寻找本身多线程代码中的瓶颈，直到他们明白GIL的存在。

问题5

你如何管理不一样版本的代码？

答案：
版本管理！被问到这个问题的时候，你应该要表现得很兴奋，甚至告诉他们你是如何使用Git（或是其余你最喜欢的工具）追踪本身和奶奶的书信往来。我偏向于使用Git做为版本控制系统（VCS），但还有其余的选择，好比subversion（SVN）。

为何提这个问题：
由于没有版本控制的代码，就像没有杯子的咖啡。有时候咱们须要写一些一次性的、能够随手扔掉的脚本，这种状况下不做版本控制不要紧。可是若是你面对的是大量的代码，使用版本控制系统是有利的。版本控制可以帮你追踪谁对代码库作了什么操做；发现新引入了什么bug；管理你的软件的不一样版本和发行版；在团队成员中分享源代码；部署及其余自动化处理。它能让你回滚到出现问题以前的版本，单凭这点就特别棒了。还有其余的好功能。怎么一个棒字了得！

问题6

下面代码会输出什么：

def f(x,l=[]):
    for i in range(x):
        l.append(i*i)
    print l

f(2)
f(3,[3,2,1])
f(3)

答案：

[0, 1]
[3, 2, 1, 0, 1, 4]
[0, 1, 0, 1, 4]

呃？

第一个函数调用十分明显，for循环前后将0和1添加至了空列表l中。l是变量的名字，指向内存中存储的一个列表。第二个函数调用在一块新的内存中建立了新的列表。l这时指向了新生成的列表。以后再往新列表中添加0、一、2和4。很棒吧。第三个函数调用的结果就有些奇怪了。它使用了以前内存地址中存储的旧列表。这就是为何它的前两个元素是0和1了。

不明白的话就试着运行下面的代码吧：

l_mem = []

l = l_mem           # the first call
for i in range(2):
    l.append(i*i)

print l             # [0, 1]

l = [3,2,1]         # the second call
for i in range(3):
    l.append(i*i)

print l             # [3, 2, 1, 0, 1, 4]

l = l_mem           # the third call
for i in range(3):
    l.append(i*i)

print l             # [0, 1, 0, 1, 4]

问题7

“猴子补丁”（monkey patching）指的是什么？这种作法好吗？

答案：
“猴子补丁”就是指，在函数或对象已经定义以后，再去改变它们的行为。

举个例子：

import datetime
datetime.datetime.now = lambda: datetime.datetime(2012, 12, 12)

大部分状况下，这是种很很差的作法 - 由于函数在代码库中的行为最好是都保持一致。打“猴子补丁”的缘由多是为了测试。mock包对实现这个目的颇有帮助。

为何提这个问题？
答对这个问题说明你对单元测试的方法有必定了解。你若是提到要避免“猴子补丁”，能够说明你不是那种喜欢花里胡哨代码的程序员（公司里就有这种人，跟他们共事真是糟糕透了），而是更注重可维护性。还记得KISS原则码？答对这个问题还说明你明白一些Python底层运做的方式，函数实际是如何存储、调用等等。

另外：若是你没读过mock模块的话，真的值得花时间读一读。这个模块很是有用。

问题8

这两个参数是什么意思：*args，**kwargs？咱们为何要使用它们？

答案
若是咱们不肯定要往函数中传入多少个参数，或者咱们想往函数中以列表和元组的形式传参数时，那就使要用*args；若是咱们不知道要往函数中传入多少个关键词参数，或者想传入字典的值做为关键词参数时，那就要使用**kwargs。args和kwargs这两个标识符是约定俗成的用法，你固然还能够用*bob和**billy，可是这样就并不太妥。

下面是具体的示例：

def f(*args,**kwargs): print args, kwargs

l = [1,2,3]
t = (4,5,6)
d = {'a':7,'b':8,'c':9}

f()
f(1,2,3)                    # (1, 2, 3) {}
f(1,2,3,"groovy")           # (1, 2, 3, 'groovy') {}
f(a=1,b=2,c=3)              # () {'a': 1, 'c': 3, 'b': 2}
f(a=1,b=2,c=3,zzz="hi")     # () {'a': 1, 'c': 3, 'b': 2, 'zzz': 'hi'}
f(1,2,3,a=1,b=2,c=3)        # (1, 2, 3) {'a': 1, 'c': 3, 'b': 2}

f(*l,**d)                   # (1, 2, 3) {'a': 7, 'c': 9, 'b': 8}
f(*t,**d)                   # (4, 5, 6) {'a': 7, 'c': 9, 'b': 8}
f(1,2,*t)                   # (1, 2, 4, 5, 6) {}
f(q="winning",**d)          # () {'a': 7, 'q': 'winning', 'c': 9, 'b': 8}
f(1,2,*t,q="winning",**d)   # (1, 2, 4, 5, 6) {'a': 7, 'q': 'winning', 'c': 9, 'b': 8}

def f2(arg1,arg2,*args,**kwargs): print arg1,arg2, args, kwargs

f2(1,2,3)                       # 1 2 (3,) {}
f2(1,2,3,"groovy")              # 1 2 (3, 'groovy') {}
f2(arg1=1,arg2=2,c=3)           # 1 2 () {'c': 3}
f2(arg1=1,arg2=2,c=3,zzz="hi")  # 1 2 () {'c': 3, 'zzz': 'hi'}
f2(1,2,3,a=1,b=2,c=3)           # 1 2 (3,) {'a': 1, 'c': 3, 'b': 2}

f2(*l,**d)                   # 1 2 (3,) {'a': 7, 'c': 9, 'b': 8}
f2(*t,**d)                   # 4 5 (6,) {'a': 7, 'c': 9, 'b': 8}
f2(1,2,*t)                   # 1 2 (4, 5, 6) {}
f2(1,1,q="winning",**d)      # 1 1 () {'a': 7, 'q': 'winning', 'c': 9, 'b': 8}
f2(1,2,*t,q="winning",**d)   # 1 2 (4, 5, 6) {'a': 7, 'q': 'winning', 'c': 9, 'b': 8}

为何提这个问题？
有时候，咱们须要往函数中传入未知个数的参数或关键词参数。有时候，咱们也但愿把参数或关键词参数储存起来，以备之后使用。有时候，仅仅是为了节省时间。

问题9

下面这些是什么意思：@classmethod, @staticmethod, @property？

回答背景知识
这些都是装饰器（decorator）。装饰器是一种特殊的函数，要么接受函数做为输入参数，并返回一个函数，要么接受一个类做为输入参数，并返回一个类。@标记是语法糖（syntactic sugar），可让你以简单易读得方式装饰目标对象。

@my_decorator
def my_func(stuff):
    do_things
Is equivalent to

def my_func(stuff):
    do_things

my_func = my_decorator(my_func)

真正的答案

@classmethod, @staticmethod和@property这三个装饰器的使用对象是在类中定义的函数。下面的例子展现了它们的用法和行为：

class MyClass(object):
    def __init__(self):
        self._some_property = "properties are nice"
        self._some_other_property = "VERY nice"
    def normal_method(*args,**kwargs):
        print "calling normal_method({0},{1})".format(args,kwargs)
    @classmethod
    def class_method(*args,**kwargs):
        print "calling class_method({0},{1})".format(args,kwargs)
    @staticmethod
    def static_method(*args,**kwargs):
        print "calling static_method({0},{1})".format(args,kwargs)
    @property
    def some_property(self,*args,**kwargs):
        print "calling some_property getter({0},{1},{2})".format(self,args,kwargs)
        return self._some_property
    @some_property.setter
    def some_property(self,*args,**kwargs):
        print "calling some_property setter({0},{1},{2})".format(self,args,kwargs)
        self._some_property = args[0]
    @property
    def some_other_property(self,*args,**kwargs):
        print "calling some_other_property getter({0},{1},{2})".format(self,args,kwargs)
        return self._some_other_property

o = MyClass()
# 未装饰的方法仍是正常的行为方式，须要当前的类实例（self）做为第一个参数。

o.normal_method 
# <bound method MyClass.normal_method of <__main__.MyClass instance at 0x7fdd2537ea28>>

o.normal_method() 
# normal_method((<__main__.MyClass instance at 0x7fdd2537ea28>,),{})

o.normal_method(1,2,x=3,y=4) 
# normal_method((<__main__.MyClass instance at 0x7fdd2537ea28>, 1, 2),{'y': 4, 'x': 3})

# 类方法的第一个参数永远是该类

o.class_method
# <bound method classobj.class_method of <class __main__.MyClass at 0x7fdd2536a390>>

o.class_method()
# class_method((<class __main__.MyClass at 0x7fdd2536a390>,),{})

o.class_method(1,2,x=3,y=4)
# class_method((<class __main__.MyClass at 0x7fdd2536a390>, 1, 2),{'y': 4, 'x': 3})

# 静态方法（static method）中除了你调用时传入的参数之外，没有其余的参数。

o.static_method
# <function static_method at 0x7fdd25375848>

o.static_method()
# static_method((),{})

o.static_method(1,2,x=3,y=4)
# static_method((1, 2),{'y': 4, 'x': 3})

# @property是实现getter和setter方法的一种方式。直接调用它们是错误的。
# “只读”属性能够经过只定义getter方法，不定义setter方法实现。

o.some_property
# 调用some_property的getter(<__main__.MyClass instance at 0x7fb2b70877e8>,(),{})
# 'properties are nice'
# “属性”是很好的功能

o.some_property()
# calling some_property getter(<__main__.MyClass instance at 0x7fb2b70877e8>,(),{})
# Traceback (most recent call last):
#   File "<stdin>", line 1, in <module>
# TypeError: 'str' object is not callable

o.some_other_property
# calling some_other_property getter(<__main__.MyClass instance at 0x7fb2b70877e8>,(),{})
# 'VERY nice'

# o.some_other_property()
# calling some_other_property getter(<__main__.MyClass instance at 0x7fb2b70877e8>,(),{})
# Traceback (most recent call last):
#   File "<stdin>", line 1, in <module>
# TypeError: 'str' object is not callable

o.some_property = "groovy"
# calling some_property setter(<__main__.MyClass object at 0x7fb2b7077890>,('groovy',),{})

o.some_property
# calling some_property getter(<__main__.MyClass object at 0x7fb2b7077890>,(),{})
# 'groovy'

o.some_other_property = "very groovy"
# Traceback (most recent call last):
#   File "<stdin>", line 1, in <module>
# AttributeError: can't set attribute

o.some_other_property
# calling some_other_property getter(<__main__.MyClass object at 0x7fb2b7077890>,(),{})

问题10

阅读下面的代码，它的输出结果是什么？

class A(object):
    def go(self):
        print "go A go!"
    def stop(self):
        print "stop A stop!"
    def pause(self):
        raise Exception("Not Implemented")

class B(A):
    def go(self):
        super(B, self).go()
        print "go B go!"

class C(A):
    def go(self):
        super(C, self).go()
        print "go C go!"
    def stop(self):
        super(C, self).stop()
        print "stop C stop!"

class D(B,C):
    def go(self):
        super(D, self).go()
        print "go D go!"
    def stop(self):
        super(D, self).stop()
        print "stop D stop!"
    def pause(self):
        print "wait D wait!"

class E(B,C): pass

a = A()
b = B()
c = C()
d = D()
e = E()

# 说明下列代码的输出结果

a.go()
b.go()
c.go()
d.go()
e.go()

a.stop()
b.stop()
c.stop()
d.stop()
e.stop()

a.pause()
b.pause()
c.pause()
d.pause()
e.pause()

答案

输出结果以注释的形式表示：

a.go()
# go A go!

b.go()
# go A go!
# go B go!

c.go()
# go A go!
# go C go!

d.go()
# go A go!
# go C go!
# go B go!
# go D go!

e.go()
# go A go!
# go C go!
# go B go!

a.stop()
# stop A stop!

b.stop()
# stop A stop!

c.stop()
# stop A stop!
# stop C stop!

d.stop()
# stop A stop!
# stop C stop!
# stop D stop!

e.stop()
# stop A stop!

a.pause()
# ... Exception: Not Implemented

b.pause()
# ... Exception: Not Implemented

c.pause()
# ... Exception: Not Implemented

d.pause()
# wait D wait!

e.pause()
# ...Exception: Not Implemented

为何提这个问题？
由于面向对象的编程真的真的很重要。不骗你。答对这道问题说明你理解了继承和Python中super函数的用法。

问题11

阅读下面的代码，它的输出结果是什么？

class Node(object):
    def __init__(self,sName):
        self._lChildren = []
        self.sName = sName
    def __repr__(self):
        return "<Node '{}'>".format(self.sName)
    def append(self,*args,**kwargs):
        self._lChildren.append(*args,**kwargs)
    def print_all_1(self):
        print self
        for oChild in self._lChildren:
            oChild.print_all_1()
    def print_all_2(self):
        def gen(o):
            lAll = [o,]
            while lAll:
                oNext = lAll.pop(0)
                lAll.extend(oNext._lChildren)
                yield oNext
        for oNode in gen(self):
            print oNode

oRoot = Node("root")
oChild1 = Node("child1")
oChild2 = Node("child2")
oChild3 = Node("child3")
oChild4 = Node("child4")
oChild5 = Node("child5")
oChild6 = Node("child6")
oChild7 = Node("child7")
oChild8 = Node("child8")
oChild9 = Node("child9")
oChild10 = Node("child10")

oRoot.append(oChild1)
oRoot.append(oChild2)
oRoot.append(oChild3)
oChild1.append(oChild4)
oChild1.append(oChild5)
oChild2.append(oChild6)
oChild4.append(oChild7)
oChild3.append(oChild8)
oChild3.append(oChild9)
oChild6.append(oChild10)

# 说明下面代码的输出结果

oRoot.print_all_1()
oRoot.print_all_2()

答案

oRoot.print_all_1()会打印下面的结果：

<Node 'root'>
<Node 'child1'>
<Node 'child4'>
<Node 'child7'>
<Node 'child5'>
<Node 'child2'>
<Node 'child6'>
<Node 'child10'>
<Node 'child3'>
<Node 'child8'>
<Node 'child9'>
oRoot.print_all_1()会打印下面的结果：

<Node 'root'>
<Node 'child1'>
<Node 'child2'>
<Node 'child3'>
<Node 'child4'>
<Node 'child5'>
<Node 'child6'>
<Node 'child8'>
<Node 'child9'>
<Node 'child7'>
<Node 'child10'>

为何提这个问题？
由于对象的精髓就在于组合（composition）与对象构造（object construction）。对象须要有组合成分构成，并且得以某种方式初始化。这里也涉及到递归和生成器（generator）的使用。

生成器是很棒的数据类型。你能够只经过构造一个很长的列表，而后打印列表的内容，就能够取得与print_all_2相似的功能。生成器还有一个好处，就是不用占据不少内存。

有一点还值得指出，就是print_all_1会以深度优先（depth-first）的方式遍历树(tree),而print_all_2则是宽度优先（width-first）。有时候，一种遍历方式比另外一种更合适。但这要看你的应用的具体状况。

问题12

简要描述Python的垃圾回收机制（garbage collection）。

答案
这里能说的不少。你应该提到下面几个主要的点：

Python在内存中存储了每一个对象的引用计数（reference count）。若是计数值变成0，那么相应的对象就会消失，分配给该对象的内存就会释放出来用做他用。
偶尔也会出现引用循环（reference cycle）。垃圾回收器会定时寻找这个循环，并将其回收。举个例子，假设有两个对象o1和o2，并且符合o1.x == o2和o2.x == o1这两个条件。若是o1和o2没有其余代码引用，那么它们就不该该继续存在。但它们的引用计数都是1。
Python中使用了某些启发式算法（heuristics）来加速垃圾回收。例如，越晚建立的对象更有可能被回收。对象被建立以后，垃圾回收器会分配它们所属的代（generation）。每一个对象都会被分配一个代，而被分配更年轻代的对象是优先被处理的。

问题13

将下面的函数按照执行效率高低排序。它们都接受由0至1之间的数字构成的列表做为输入。这个列表能够很长。一个输入列表的示例以下：[random.random() for i in range(100000)]。你如何证实本身的答案是正确的。

def f1(lIn):
    l1 = sorted(lIn)
    l2 = [i for i in l1 if i<0.5]
    return [i*i for i in l2]

def f2(lIn):
    l1 = [i for i in lIn if i<0.5]
    l2 = sorted(l1)
    return [i*i for i in l2]

def f3(lIn):
    l1 = [i*i for i in lIn]
    l2 = sorted(l1)
    return [i for i in l1 if i<(0.5*0.5)]

答案
按执行效率从高到低排列：f二、f1和f3。要证实这个答案是对的，你应该知道如何分析本身代码的性能。Python中有一个很好的程序分析包，能够知足这个需求。

import cProfile
lIn = [random.random() for i in range(100000)]
cProfile.run('f1(lIn)')
cProfile.run('f2(lIn)')
cProfile.run('f3(lIn)')

为了向你们进行完整地说明，下面咱们给出上述分析代码的输出结果：

>>> cProfile.run('f1(lIn)')
         4 function calls in 0.045 seconds

   Ordered by: standard name

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
        1    0.009    0.009    0.044    0.044 <stdin>:1(f1)
        1    0.001    0.001    0.045    0.045 <string>:1(<module>)
        1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}
        1    0.035    0.035    0.035    0.035 {sorted}


>>> cProfile.run('f2(lIn)')
         4 function calls in 0.024 seconds

   Ordered by: standard name

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
        1    0.008    0.008    0.023    0.023 <stdin>:1(f2)
        1    0.001    0.001    0.024    0.024 <string>:1(<module>)
        1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}
        1    0.016    0.016    0.016    0.016 {sorted}


>>> cProfile.run('f3(lIn)')
         4 function calls in 0.055 seconds

   Ordered by: standard name

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
        1    0.016    0.016    0.054    0.054 <stdin>:1(f3)
        1    0.001    0.001    0.055    0.055 <string>:1(<module>)
        1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}
        1    0.038    0.038    0.038    0.038 {sorted}

为何提这个问题？
定位并避免代码瓶颈是很是有价值的技能。想要编写许多高效的代码，最终都要回答常识上来——在上面的例子中，若是列表较小的话，很明显是先进行排序更快，所以若是你能够在排序前先进行筛选，那一般都是比较好的作法。其余不显而易见的问题仍然能够经过恰当的工具来定位。所以了解这些工具是有好处的。

问题14

你有过失败的经历吗？

错误的答案
我历来没有失败过！

为何提这个问题？
恰当地回答这个问题说明你用于认可错误，为本身的错误负责，而且可以从错误中学习。若是你想变得对别人有帮助的话，全部这些都是特别重要的。若是你真的是个完人，那就太糟了，回答这个问题的时候你可能都有点创意了。

问题15

你有实施过我的项目吗？
真的？
若是作过我的项目，这说明从更新本身的技能水平方面来看，你愿意比最低要求付出更多的努力。若是你有维护的我的项目，工做以外也坚持编码，那么你的雇主就更可能把你视做为会增值的资产。即便他们不问这个问题，我也认为谈谈这个话题颇有帮助。

原文连接：
https://blog.csdn.net/xun527/article/details/77915607

识别图中二维码,欢迎关注python宝典