-
选Pillow还是cv2取决于具体需求：Pillow适合常规格式读写、简单编辑和中文路径；cv2更适合OpenCV算法、底层加速及批量NumPy操作，但部署复杂、通道处理易出错。
-
flaky测试最直接的表现是同一份代码、同一套环境连续运行多次时结果不一致，即有时通过有时失败；关键判断依据是失败不可复现性，需通过多次重跑（如pytest--count=5）验证结果是否波动。
-
append()将整个对象作为单个元素添加，extend()将可迭代对象的每个元素逐个添加；前者如nums.append([3,4])得[1,2,[3,4]]，后者如nums.extend([3,4])得[1,2,3,4]。
-
reduce函数需导入functools，通过累积计算将序列归约为单值。示例1：add函数依次接收前次结果与下个元素，如a=1,b=2→3；a=3,b=3→6；a=6,b=4→10。示例2：初始值"start->"作为首次参数s，依次拼接'a'、'b'、'c'得"start->abc"。示例3：lambdax,y:x*y以1为初值，计算1×2×3×4=24。参数来源明确：累计值与当前元素。
-
validate_on_submit()总是返回False的根本原因是请求方法不匹配或CSRF令牌缺失；Flask-WTF要求POST请求且表单含csrf_token字段，否则跳过验证直接返回False。
-
最稳组合是Flask-Login+Redis：用login_fail:{username}为key，incr()计数并expire(300)设5分钟过期，超5次即拒验密码防时序攻击；Django-axes需迁移表、配IP+用户双锁、反代时修正IP获取顺序；禁用lru_cache因不跨进程且无过期；前端禁用按钮仅为体验优化，非安全措施。
-
实现网络爬虫的关键步骤为：分析目标网站结构、发送请求获取数据、解析页面内容、存储有用信息。首先明确要爬取的网站及内容，如新闻标题或商品价格，并检查页面HTML结构；接着使用requests库发送GET请求，注意添加headers和延时避免被封；然后用BeautifulSoup或XPath解析HTML提取所需数据；最后将数据保存为文本、CSV或存入数据库，根据需求选择合适方式。
-
按行读取适合文本文件，内存占用低；2.按块读取可控制读取量，适用于二进制或需自定义解析的场景，注意避免行截断。
-
Python的re模块与PostgreSQL的POSIX正则引擎在元字符、修饰符位置、边界断言等方面存在显著差异，直接复用会导致语法错误或语义偏差；本文详解关键区别，并提供可直接用于PostgreSQL的等效写法。
-
Python3文本处理需明确字节→字符串的编码转换：读文件必须指定encoding；requests优先用content手动decode；用charset-normalizer/chardet检测编码并设置信阈值；异常时采用errors策略或fallback解码链，并记录原始字节特征。
-
Python中表示换行的符号只有\n，它是字符串层面唯一的逻辑换行符；\r\n和\r仅在I/O层或历史系统中出现，Python通过文本模式自动转换，但字符串本身只识别\n。
-
直接在__delattr__中调用delattr(self,name)会导致无限递归并触发RecursionError；正确做法是显式调用object.__delattr__(self,name)绕过自定义逻辑。
-
FastAPI中应使用模块级HTTPBearer实例提取BearerToken，再通过Depends注入自定义验证函数校验有效性；避免手动解析或放入中间件，以确保异常自动转换、OpenAPI文档正确生成及依赖注入可用。
-
分块读取大文件可避免内存溢出，核心是使用生成器或迭代器每次读取部分数据。通过open()结合iter(lambda:file.read(chunk_size),'')或生成器函数实现，其中chunk_size通常设为1MB到10MB，需根据内存、文件类型和处理逻辑权衡。也可用mmap模块内存映射文件提升读取速度，但占用更多系统资源。处理文本文件时，为避免多字节字符截断导致解码错误，应使用codecs.open()指定编码，如UTF-8，确保正确处理字符边界。
-
绝大多数情况下不值得，除非确认是瓶颈且优化后有可测量收益；微优化如sum()换math.fsum()、str.join()前检查空列表、is替==等实际影响几乎为零，真正应关注perf_counter测出>1ms的热点路径及算法级问题。
