1. 迭代器和生成器
1.1 生成器:
列表生成器 Python中,这种一边循环一边计算的机制,称为生成器:generator- 定义generator的一种方法:只要把一个列表生成式的[]改成()
直接打印出list的每一个元素,但生成器只有next()这样一种方法
generator保存的是算法,每次调用next(g),就计算出g的下一个元素的值,直到计算到最后一个元素,没有更多的元素时,抛出 StopIteration的错误。正确的方法是使用for循环,因为generator也是可迭代对象:- 定义generator的另一种方法:如果一个函数定义中包含yield关键字,那么这个函数就不再是一个普通函数,而是一个generator
#列表生成式a=[i*2 for i in range(10)]c=(a)print(a)print(c)def fib(max): n,a,b =0,0,1 while n
通过yield实现在单线程的情况下实现并发运算的效果
# Author AlleyYuimport time#####yield 生成器,保持现在的状态,下次调用时从该状态起继续执行##协程def consumer(name): print('包子来了,%s开始吃包子了',name) while True: baozi=yield print('%s 包子来了, 被%s 吃了'%(baozi,name))#c = consumer('Tom')#next(c)#c.__next__()def producer(name): c1=consumer('A') c2=consumer('B') c1.__next__() c2.__next__() print('运行开始>>>>>>>>>>>>>>>>') for i in range(10): time.sleep(1) print('包子来了') c1.send(i) c2.send(i)producer('Cat')
1.2 迭代器*可以被next()函数调用并不断返回下一个值的对象称为迭代器:Iterator。这些可以直接作用于for循环的对象统称为可迭代对象:Iterable。 可以使用isinstance()判断一个对象是否是Iterable对象: 小结凡是可作用于for循环的对象都是Iterable类型;凡是可作用于next()函数的对象都是Iterator类型,它们表示一个惰性计算的序列;集合数据类型如list、dict、str等是Iterable但不是Iterator,不过可以通过iter()函数获得一个Iterat 二 装饰器其他高级语言类似,Python 不允许在函数未声明之前,对其进行引用或者调用定义:本质是函数,用于装饰其它函数,为其它函数增加附件功能原则: 1. 不能修改被装饰函数的源代码 2. 被装饰函数的调用方式不能被修改
实现装饰器的知识储备
1. 函数即变量 2. 高阶函数 函数名作为变量传给函数(不修改源代码) 返回值中包含函数名(不改变函数的调用方式) 3. 嵌套函数 高阶函数+嵌套函数--》 装饰器# Author AlleyYuimport timedef timer(fun): def deco(*args,**kargs): start_time=time.time() fun(*args,**kargs) stop_time=time.time() print("the whole time is %s" %(stop_time-start_time)) return deco@timer # test1=timer(test1)def test1(): time.sleep(1) print('in test1')@timerdef test2(name): print('in test2',name)test1()test2('tom')
# Author AlleyYu#终极装饰器user, passw='tom','abc123'def authen(authen_type): print('Authen type:',authen_type) def out_wrapper(fun): def wrapper(*args,**kargs): print('wrapper args:', *args,**kargs) if authen_type=='local': username=input('User>>').strip() password=input('Pass>>').strip() if user==username and passw==password: res=fun(*args,**kargs) print('Welcome login') return res else: exit() elif authen_type=='ldap': print('ldap') return wrapper return out_wrapperdef home(): print('in home')@authen(authen_type='local')def index(): print('in index') return('from home')@authen(authen_type='ldap')def bbs(): print('in bbs')home()index()print(home()) #wrapper()bbs()
三. Json & Pickle
程序中建议 dumps load 各一次
用于序列化的两个模块
- json,用于字符串 和 python数据类型间进行转换
- pickle,用于python特有的类型 和 python的数据类型间进行转换
Json模块提供了四个功能:dumps、dump、loads、load
pickle模块提供了四个功能:dumps、dump、loads、load
# Author AlleyYuimport pickledata={ 'k1':'123', 'k2':'help'}#dumps 将数据转换成朋友python语言认识的字符串p_str=pickle.dumps(data)print(type(p_str))with open('D:/result.pk','w') as fp: pickle.dump(data,fp)import json#dumps 将数据转换成朋友python语言认识的字符串p_str=json.dumps(data)print(type(p_str))with open('D:/result.pk','w') as fp:
json.dump(data,fp)
四。目录结构
目录组织方式
关于如何组织一个较好的Python工程目录结构,已经有一些得到了共识的目录结构。在Stackoverflow的上,能看到大家对Python目录结构的讨论。
这里面说的已经很好了,我也不打算重新造轮子列举各种不同的方式,这里面我说一下我的理解和体会。
假设你的项目名为foo, 我比较建议的最方便快捷目录结构这样就足够了:
Foo/|-- bin/| |-- foo||-- foo/| |-- tests/| | |-- __init__.py| | |-- test_main.py| || |-- __init__.py| |-- main.py||-- docs/| |-- conf.py| |-- abc.rst||-- setup.py|-- requirements.txt|-- README
简要解释一下:
bin/
: 存放项目的一些可执行文件,当然你可以起名script/
之类的也行。foo/
: 存放项目的所有源代码。(1) 源代码中的所有模块、包都应该放在此目录。不要置于顶层目录。(2) 其子目录tests/
存放单元测试代码; (3) 程序的入口最好命名为main.py
。docs/
: 存放一些文档。setup.py
: 安装、部署、打包的脚本。requirements.txt
: 存放软件依赖的外部Python包列表。README
: 项目说明文件。
除此之外,有一些方案给出了更加多的内容。比如LICENSE.txt
,ChangeLog.txt
文件等,我没有列在这里,因为这些东西主要是项目开源的时候需要用到。如果你想写一个开源软件,目录该如何组织,可以参考。
下面,再简单讲一下我对这些目录的理解和个人要求吧。
关于README的内容
这个我觉得是每个项目都应该有的一个文件,目的是能简要描述该项目的信息,让读者快速了解这个项目。
它需要说明以下几个事项:
- 软件定位,软件的基本功能。
- 运行代码的方法: 安装环境、启动命令等。
- 简要的使用说明。
- 代码目录结构说明,更详细点可以说明软件的基本原理。
- 常见问题说明。
我觉得有以上几点是比较好的一个README
。在软件开发初期,由于开发过程中以上内容可能不明确或者发生变化,并不是一定要在一开始就将所有信息都补全。但是在项目完结的时候,是需要撰写这样的一个文档的。
可以参考Redis源码中的写法,这里面简洁但是清晰的描述了Redis功能和源码结构。
关于requirements.txt和setup.py
setup.py
一般来说,用setup.py
来管理代码的打包、安装、部署问题。业界标准的写法是用Python流行的打包工具来管理这些事情。这种方式普遍应用于开源项目中。不过这里的核心思想不是用标准化的工具来解决这些问题,而是说,一个项目一定要有一个安装部署工具,能快速便捷的在一台新机器上将环境装好、代码部署好和将程序运行起来。
这个我是踩过坑的。
我刚开始接触Python写项目的时候,安装环境、部署代码、运行程序这个过程全是手动完成,遇到过以下问题:
- 安装环境时经常忘了最近又添加了一个新的Python包,结果一到线上运行,程序就出错了。
- Python包的版本依赖问题,有时候我们程序中使用的是一个版本的Python包,但是官方的已经是最新的包了,通过手动安装就可能装错了。
- 如果依赖的包很多的话,一个一个安装这些依赖是很费时的事情。
- 新同学开始写项目的时候,将程序跑起来非常麻烦,因为可能经常忘了要怎么安装各种依赖。
setup.py
可以将这些事情自动化起来,提高效率、减少出错的概率。"复杂的东西自动化,能自动化的东西一定要自动化。"是一个非常好的习惯。
setuptools的比较庞大,刚接触的话,可能不太好找到切入点。学习技术的方式就是看他人是怎么用的,可以参考一下Python的一个Web框架,flask是如何写的:
当然,简单点自己写个安装脚本(deploy.sh
)替代setup.py
也未尝不可。
requirements.txt
这个文件存在的目的是:
- 方便开发者维护软件的包依赖。将开发过程中新增的包添加进这个列表中,避免在
setup.py
安装依赖时漏掉软件包。 - 方便读者明确项目使用了哪些Python包。
这个文件的格式是每一行包含一个包依赖的说明,通常是flask>=0.10
这种格式,要求是这个格式能被pip
识别,这样就可以简单的通过 pip install -r requirements.txt
来把所有Python包依赖都装好了。具体格式说明: 。
关于配置文件的使用方法
注意,在上面的目录结构中,没有将conf.py
放在源码目录下,而是放在docs/
目录下。
很多项目对配置文件的使用做法是:
- 配置文件写在一个或多个python文件中,比如此处的conf.py。
- 项目中哪个模块用到这个配置文件就直接通过
import conf
这种形式来在代码中使用配置。
这种做法我不太赞同:
- 这让单元测试变得困难(因为模块内部依赖了外部配置)
- 另一方面配置文件作为用户控制程序的接口,应当可以由用户自由指定该文件的路径。
- 程序组件可复用性太差,因为这种贯穿所有模块的代码硬编码方式,使得大部分模块都依赖
conf.py
这个文件。
所以,我认为配置的使用,更好的方式是,
- 模块的配置都是可以灵活配置的,不受外部配置文件的影响。
- 程序的配置也是可以灵活控制的。
能够佐证这个思想的是,用过nginx和mysql的同学都知道,nginx、mysql这些程序都可以自由的指定用户配置。
所以,不应当在代码中直接import conf
来使用配置文件。上面目录结构中的conf.py
,是给出的一个配置样例,不是在写死在程序中直接引用的配置文件。可以通过给main.py
启动参数指定配置路径的方式来让程序读取配置内容。当然,这里的conf.py
你可以换个类似的名字,比如settings.py
。或者你也可以使用其他格式的内容来编写配置文件,比如settings.yaml
之类的。