Senior Python Backend — Python-Backend-Interviewfragen

Ein CPU-lastiger Endpoint ist zu langsam. Welche Optionen gibt es, und was kosten sie?

Grob gesagt: die Arbeit aus dem Request in eine Queue verlagern, mit Prozessen statt Threads parallelisieren, die heiße Schleife per Extension in C oder Rust auslagern, oder den Algorithmus ändern. Letzteres ist meist am günstigsten und genau das, was am häufigsten übersprungen wird. Multiprocessing kostet die Serialisierung von allem, was die Prozessgrenze überquert; eine Extension kostet zusätzliche Build-Komplexität und eine zweite Sprache im Repository.

Wie bringst du eine Schema-Migration ohne Downtime aus?

In Stufen, die jeweils für sich rückwärtskompatibel sind: die neue Spalte zunächst nullable anlegen, in alt und neu gleichzeitig schreiben, in Batches nachfüllen, Lesezugriffe umschalten und die alte Spalte erst in einem späteren Release entfernen. Der Grund ist, dass während eines Rolling Deploys zwei Versionen des Codes gegen dieselbe Datenbank laufen. Der häufigste Fehler ist eine Migration, die eine große Tabelle sperrt — auf Postgres muss ein Index mit CONCURRENTLY erstellt werden.

Ein Endpoint ist in Produktion langsam geworden. Wie gehst du bei der Ursachensuche vor?

Man startet damit, was sich geändert hat, und grenzt dann schichtweise ein, statt zu raten: Ist es bei allen Nutzern langsam oder nur bei einer Teilmenge, liegt die Zeit in der Datenbank, in Python oder in einem externen Aufruf. APM-Traces oder ein Profiler auf dem Hot Path beantworten das in Minuten. Erst danach optimieren. Die häufige Falle ist, lokal auf kleinen Daten zu profilen, wo genau das N+1, das die Produktion dominiert, unsichtbar bleibt.

Django oder FastAPI für einen neuen Service — wie entscheidest du?

Django, wenn der Service content- und admin-lastig ist oder wenn ORM, Migrations, Auth und Admin-Interface Monate sparen. FastAPI, wenn es eine schlanke API ist, asynchrones I/O dominiert oder ein typisiertes, schema-first Vertragsdesign wichtig ist. Bei keiner der beiden Optionen geht es um Geschwindigkeits-Benchmarks. Die Frage, die sich lohnt, ist, welche der beiden dein Team um drei Uhr morgens betreiben kann.

Wo platzierst du den Cache, und wie invalidierst du ihn?

So nah wie möglich an der teuren Operation und nicht näher — eine ganze gerenderte Seite zu cachen verschleiert, welcher Teil eigentlich langsam war. Invalidierung über einen expliziten Key beim Schreiben ist korrekt, wird aber leicht vergessen; eine kurze TTL ist zwar unsauber, heilt sich aber selbst, und für die meisten leselastigen Daten ist das der bessere Kompromiss. Was man einplanen muss, ist der Stampede-Effekt, wenn ein heißer Key ausläuft und jeder Request ihn gleichzeitig neu aufbaut.

Was bringen Type Hints, und was nicht?

Sie bringen einen Checker, der ganze Klassen von Fehlern schon vor der Laufzeit erkennt, Editor-Autovervollständigung und Dokumentation, die nicht vom Code abweichen kann. Sie bringen keine Laufzeitprüfung — nichts validiert einen Hint, sofern man nicht pydantic oder Ähnliches hinzufügt. Auf einer großen Codebasis entsteht der Wert daraus, an den Grenzen streng und im Inneren pragmatisch zu sein; jede lokale Variable zu annotieren kostet mehr, als es einbringt.