Question 1

Was ist FastAPI?

Accepted Answer

FastAPI ist ein modernes, leistungsstarkes Python-Web-Framework zum Erstellen von APIs. Es verwendet Standard-Python-Type-Hints für die automatische Datenvalidierung und Dokumentationsgenerierung. FastAPI basiert auf Starlette für Web-Funktionalität und Pydantic für die Datenvalidierung und bietet eine Performance, die mit Node.js und Go vergleichbar ist.

Question 2

Welcher Decorator sollte verwendet werden, um eine GET-Route in FastAPI zu definieren?

Accepted Answer

FastAPI verwendet HTTP-Methoden-Decorators direkt auf der Anwendungsinstanz. Der Decorator @app.get("/path") definiert eine GET-Route. Jede HTTP-Methode hat ihren entsprechenden Decorator: @app.post(), @app.put(), @app.delete() usw. Diese Syntax ist von Flask inspiriert, jedoch um eine automatische Validierung erweitert.

Question 3

Welche Rolle spielt Pydantic in FastAPI?

Accepted Answer

Pydantic ist die von FastAPI verwendete Datenvalidierungsbibliothek. Sie ermöglicht das Definieren von Datenmodellen mit Python-Typen und validiert automatisch eingehende Daten. Pydantic generiert auch das JSON-Schema für die OpenAPI-Dokumentation und liefert detaillierte Fehlermeldungen bei ungültigen Daten.

FastAPI - Daten-APIs

Was ist FastAPI?

Antwort

Welcher Decorator sollte verwendet werden, um eine GET-Route in FastAPI zu definieren?

Antwort

Welche Rolle spielt Pydantic in FastAPI?

Antwort

Wie definiert man einen Path-Parameter in einer FastAPI-Route?

Wie unterscheidet FastAPI einen Query-Parameter von einem Path-Parameter?

Weitere Data Engineering-Interviewthemen

Linux & Shell - Grundlagen

Git & GitHub - Grundlagen

Fortgeschrittenes Python für Data Engineering

Docker - Grundlagen

Google Cloud Platform - Grundlagen

CI/CD und Codequalität

Docker Compose

Fortgeschrittenes SQL für Data Engineering

Data Lake - Architektur und Ingestion

BigQuery für Data Engineering

PostgreSQL - Administration

Data Modeling für Data Engineering

Fivetran & Airbyte - Daten-Ingestion

dbt - Grundlagen

Apache Airflow - Grundlagen

Kubernetes - Grundlagen

dbt - Erweiterte Funktionen

ETL- / ELT- / ETLT-Patterns

Apache Airflow - Fortgeschritten

Airflow + dbt - Pipeline-Orchestrierung

PySpark - Verarbeitung im großen Maßstab

Google Pub/Sub - Daten-Streaming

Apache Beam & Dataflow

Kubernetes - Produktion und Skalierung

Terraform - Infrastructure as Code

NoSQL-Datenbanken

Moderne Data Architecture

Monitoring und Observability

IAM und Datensicherheit

Meistere Data Engineering für dein nächstes Interview