技术栈
1、Python 核心
精通 Python 3.6+特性:协程(AsyncIO)、类型注解、元类编程、上下文管理器)
高性能编程:多进程/线程优化、Cython 加速、内存分析(tracemalloc)
设计模式:熟练使用工厂模式/策略模式重构业务代码
2、Web 与 API 开发
框架:Flask(Blueprint+RESTful)、FastAPI(Pydantic 模型校验)
并发处理:Uvicorn+Asyncio 实现 QPS 1000+接口
安全:JWT 认证、SQL 注入防护(SQLALchemy 参数化查询)
3、数据处理与 AI
数据分析:Pandas(矢量化操作)、PySpark(分布式计算)
NLP:Hugging Face(BERT 文本分类)、LangCHain 智能体开发
爬虫:Scrapy-Redis 分布式爬虫、XPath/正则表达式优化
4、中间件与云服务
缓存/消息队列:Redis(缓存设计、分布式锁)、RabbitMQ/Kfaka(异步任务解耦)
云服务:AWS EC2/S3 基础运维、阿里云函数计算(Serverless 架构)
监控/日志:ELK 日志分析、Prometheus+Grafana 监控
5、工程化能力
代码质量:pytset 覆盖率 85%+、Git rebase 工作流
部署:Docker 多阶段构建、K8S 基础编排
Python 自动化开发
开发 Python 脚本实现自动化运维:
使用 psutil+pandas 分析 Zabbix 监控数据,自动识别 CPU/内存异常模式(准确率 85%)
编写 Scrapy 爬虫采集设备厂商漏洞公告,联动防火墙策略自动更新(日均处理 5W+条)
通过 multiprocessing 实现多线程日志分析,任务处理速度提升 60%
AI 基础设施搭建
部署 Elasticsearch 运维知识库,开发 Flask API 支持自然语言查询(类似 RAG 检索)
用 Docker 容器化 Python 微服务(Nginx+Flask),优化 AI 模型推理服务的资源利用率
DevOps 实践
设计 Jenkins CI/CD 流水线,实现 Python 脚本的自动化测试与部署
基于 GitLab 搭建代码仓库,编写 Python 定时任务自动备份业务数据