Python 미드레벨 기술면접

Python은 기본적으로 참조 카운팅을 사용하여 객체의 참조 수가 0이 되면 즉시 메모리를 해제합니다. 하지만 두 객체가 서로를 참조하는 순환 참조 상황에서는 참조 카운트가 0이 되지 않아 메모리 누수가 발생합니다. 이를 해결하기 위해 Python은 세대별 GC를 사용하며, 객체를 0세대, 1세대, 2세대로 분류하여 오래 살아남은 객체일수록 덜 자주 검사합니다. gc 모듈의 collect() 함수로 강제 수집이 가능하고, gc.get_objects()나 tracemalloc 모듈, objgraph 라이브러리를 사용하여 메모리 누수를 디버깅할 수 있습니다. 실무에서는 __del__ 메서드 사용을 지양하고 컨텍스트 매니저를 활용하는 것이 좋습니다.

코루틴은 async def로 정의된 비동기 함수 자체이고, 태스크는 코루틴을 이벤트 루프에 스케줄링한 것이며, 퓨처는 아직 완료되지 않은 작업의 결과를 나타내는 저수준 객체입니다. await는 단일 코루틴을 순차적으로 기다릴 때, create_task()는 백그라운드에서 병렬 실행할 때, gather()는 여러 코루틴을 동시에 실행하고 모든 결과를 기다릴 때 사용합니다. 블로킹 I/O 작업은 asyncio.to_thread()나 loop.run_in_executor()를 사용하여 별도 스레드에서 실행해야 이벤트 루프를 막지 않습니다. 실무에서는 requests 대신 aiohttp, psycopg2 대신 asyncpg처럼 비동기 라이브러리를 사용하는 것이 중요합니다.

Python에서 싱글톤은 모듈 자체를 사용하는 것이 가장 pythonic하며, 모듈은 import 시 자동으로 싱글톤이 됩니다. __new__ 메서드를 오버라이드하면 인스턴스 생성을 제어할 수 있고, 메타클래스를 사용하면 클래스 생성 자체를 제어할 수 있으며, 데코레이터는 간단하지만 상속이 어렵습니다. 멀티스레드 환경에서는 threading.Lock을 사용한 더블 체크 락킹 패턴이나 __new__ 내부에서 락을 사용해야 합니다. 실무에서는 싱글톤이 전역 상태를 만들어 테스트를 어렵게 하므로, 의존성 주입을 사용하거나 정말 필요한 경우(로거, 설정 관리)에만 제한적으로 사용해야 합니다.

제너레이터는 값을 한 번에 하나씩 생성하여 메모리에 전체 데이터를 올리지 않으므로 대용량 데이터 처리에 효율적입니다. yield는 단일 값을 생성하지만 yield from은 다른 이터러블을 위임하여 서브제너레이터의 값을 직접 전달합니다. 데이터를 한 번만 순회하거나 파이프라인 처리할 때는 제너레이터 표현식을, 여러 번 접근하거나 인덱싱이 필요하면 리스트 컴프리헨션을 사용합니다. 제너레이터는 한 번 소진되면 재사용할 수 없고, 예외 발생 시 상태 복구가 어려우며, 디버깅이 어렵다는 점을 주의해야 합니다. itertools 모듈과 함께 사용하면 더욱 강력한 데이터 처리 파이프라인을 구성할 수 있습니다.

Mock은 기본 목 객체로 호출을 추적하고 반환값을 설정할 수 있으며, MagicMock은 매직 메서드(__len__, __iter__ 등)를 자동으로 지원하는 Mock의 서브클래스입니다. patch는 실제 객체를 목 객체로 대체하는 기능으로, 데코레이터는 테스트 함수 전체에, 컨텍스트 매니저는 특정 블록에만 적용됩니다. 외부 API는 requests.get을 패치하여 return_value로 응답을 설정하고, 데이터베이스는 쿼리 메서드를 패치하여 side_effect로 다양한 시나리오를 테스트합니다. 실무에서는 과도한 목 사용으로 실제 동작과 괴리되지 않도록 주의하고, assert_called_once_with로 정확한 인자 전달을 검증하며, 통합 테스트와 균형을 맞춰야 합니다.