Step4 - Python基础4 迭代器、装饰器、软件开发规范
1.装饰器
定义：本质是函数，就是为其他函数添加附加功能
原则：1.不能修改被装饰的函数的源代码
2.不能修改被装饰的函数的调用方式
例子：
import time
def timer(func):
def wrapper(*args,**kwargs):
start_time = time.time()
func()
stop_time = time.time()
print("the func run time is %s" % (stop_time-start_time))
return wrapper
@timer #实际功能相当于func1 = timer(func1)
def func1():
time.sleep(3)
print("in the test1")
func1()
#结果
#in the test1
#the func run time is 3.0005111694335938
该函数满足装饰器的所有要求
装饰器=高阶函数+嵌套函数
高阶函数：
把一个函数名当做实参传给另外一个函数；返回值中包含函数名
def func1(func):
print(func)
def func2():
print(1)
func1(func2)
嵌套函数：
在一个函数的函数体内定义另一个函数
def func1():
print("in the func1")
def func2():
print("in the func2")
func2()
func1()
我的理解：
装饰器的实现方式，本质就是改变原函数的内存地址。通过高阶函数的返回值，将嵌套函数的内存地址赋给了原函数，而原函数的功能被记录在了嵌套函数中，通过嵌套函数添加了新功能，而且不改变源代码及原函数的调用方式。func1函数实际上已经变成了warpper函数，warpper函数的功能=func1原来的功能+添加的功能。但是func1的功能将会被永远改变，无法再单独实现func1的功能。
那如果函数要传参数进去怎么办呢？
简单！加个非固定参数就搞定了！
import time
def timer(func):
def wrapper(*args, **kwargs):
start_time = time.time()
func(*args, **kwargs)
stop_time = time.time()
print("the func run time is %s" % (stop_time - start_time))
return wrapper
@timer
def func1():
time.sleep(1)
print("in the test1")
@timer
def func2(*args, **kwargs):
print(args, kwargs)
func1()
func2("Nick", daizhi="22", sex="male")
那如果想要不同的函数实现不同的装饰器功能，就在装饰器里再嵌套一层函数：
_username, _password = "Nick", "123456"
def auth(auth_type):
print(auth_type)
def outer_wrapper(func):
def wrapper(*args,**kwargs):
if auth_type == 'local':
username = input('username:').strip()
password = input('password:').strip()
if username == _username and password == _password:
print('Welcome!')
func()
else:
exit('\033[31;1mInvalid username or password!\033[0m')
elif auth_type == '1dap':
print('testing')
return wrapper
return outer_wrapper
@auth(auth_type = "local")
def index():
print('Welcome to index page')
@auth(auth_type = "1dap")
def home():
print('Welcome to home page')
index()
home()
2.列表生成式，迭代器与生成器
a = [i+1 for i in range(0,10,2)] print(a) >>>[1, 3, 5, 7, 9]
这就是列表生成式
生成器
通过列表生成式，我们可以直接创建一个列表。但是，受到内存限制，列表容量肯定是有限的。而且，创建一个包含100万个元素的列表，不仅占用很大的存储空间，如果我们仅仅需要访问前面几个元素，那后面绝大多数元素占用的空间都白白浪费了
所以，如果列表元素可以按照某种算法推算出来，那我们是否可以在循环的过程中不断推算出后续的元素呢？这样就不必创建完整的list，从而节省大量的空间。在Python中，这种一边循环一边计算的机制，称为生成器：generator
要创建一个generator，有很多种方法。第一种方法很简单，只要把一个列表生成式的[]改成()，就创建了一个generator：
a = (i*i for i in range(10)) print(a) >>><generator object <genexpr> at 0x00000232FF1F92B0>
generator保存的是算法, 可以用for循环调用，也可以用next()函数调用下一个
generator非常强大。如果推算的算法比较复杂，用类似列表生成式的for循环无法实现的时候，还可以用函数来实现
例子：
def fib(max):
n, a, b = 0, 0, 1
while n < max:
# print(b)
yield b
a, b = b, a + b
n = n + 1
return 'done'
for i in fib(10):
print(i)
generator的函数，在每次调用next()的时候执行，遇到yield语句返回，再次执行时从上次返回的yield语句处继续执行
但是用for循环调用generator时，发现拿不到generator的return语句的返回值。如果想要拿到返回值，必须捕获StopIteration错误，返回值包含在StopIteration的value中：
g = fib(6)
while True:
try:
x = next(g)
print('g:', x)
except StopIteration as e:
print('Generator return value:', e.value)
break
还可通过yield实现在单线程的情况下实现并发运算的效果:
import time
def consumer(name):
print("%s 准备吃包子啦!" %name)
while True:
baozi = yield
print("包子%s来了,被%s吃了!" %(baozi, name))
def producer(name):
c = consumer('A')
c2 = consumer('B')
c.__next__()
c2.__next__()
print("我开始准备做包子啦!")
for i in range(10):
time.sleep(1)
print("做了2个包子!")
c.send(i)
c2.send(i)
producer("戴老板")
这就实现了单线程下的并发运算
所以，_next_()函数只进行生成器，而send()函数不但进行生成器，还对yield进行传值
迭代器
可以直接作用于for循环的数据类型有以下几种：
一类是集合数据类型，如list、tuple、dict、set、str等；
一类是generator，包括生成器和带yield的generator function。
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：
>>> from collections import Iterable
>>> isinstance([], Iterable)
True
>>> isinstance({}, Iterable)
True
>>> isinstance('abc', Iterable)
True
>>> isinstance((x for x in range(10)), Iterable)
True
>>> isinstance(100, Iterable)
False
而生成器不但可以作用于for循环，还可以被next()函数不断调用并返回下一个值，直到最后抛出StopIteration错误表示无法继续返回下一个值了
*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
可以使用isinstance()判断一个对象是否是Iterator对象：
>>> from collections import Iterator
>>> isinstance((x for x in range(10)), Iterator)
True
>>> isinstance([], Iterator)
False
>>> isinstance({}, Iterator)
False
>>> isinstance('abc', Iterator)
False
生成器都是Iterator对象，但list、dict、str虽然是Iterable，却不是Iterator。
把list、dict、str等Iterable变成Iterator可以使用iter()函数：
>>> isinstance(iter([]), Iterator)
True
>>> isinstance(iter('abc'), Iterator)
True
为什么list、dict、str不是Iterator
这是因为Python的Iterator对象表示的是一个数据流，Iterator对象可以被next()函数调用并不断返回下一个数据，直到没有数据时抛出StopIteration错误。可以把这个数据流看做是一个有序序列，但我们却不能提前知道序列的长度，只能不断通过next()函数实现按需计算下一个数据，所以Iterator的计算是惰性的，只有在需要返回下一个数据时它才会计算
Iterator甚至可以表示一个无限大的数据流，例如全体自然数。而使用list是永远不可能存储全体自然数的
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Iterator对象
Python的for循环本质上就是通过不断调用next()函数实现的，例如：
for x in [1, 2, 3, 4, 5]:
pass
实际上完全等价于：
# 首先获得Iterator对象:
it = iter([1, 2, 3, 4, 5])
# 循环:
while True:
try:
# 获得下一个值:
x = next(it)
except StopIteration:
# 遇到StopIteration就退出循环
break
3.json & pickle 数据序列化
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
---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
json.dumps 将数据通过特殊的形式转换为所有程序语言都认识的字符串
json.dump 将数据通过特殊的形式转换为所有程序语言都认识的字符串，并写入文件
import json
info = {
'name': 'daizhi',
'age': 23,
'sex': 'male'
}
json_str = json.dumps(info)
print(json_str)
with open('test.text', 'w') as f:
json.dump(info, f)
由于json是转换为所有程序语言都通用的字符串，故无法处理太过复杂的数据类型，所以就要用到pickle：
import pickle
info = {
'name': 'daizhi',
'age': 23,
'sex': 'male'
}
pickle_str = pickle.dumps(info)
print(pickle_str)
with open('test.text', 'wb') as f:
pickle.dump(info, f)
pickle的用法和json一模一样
4.软件目录结构规范
为什么要设计好目录结构?
"设计项目目录结构"，就和"代码编码风格"一样，属于个人风格问题。对于这种风格上的规范，一直都存在两种态度:
-
一类同学认为，这种个人风格问题"无关紧要"。理由是能让程序work就好，风格问题根本不是问题
-
另一类同学认为，规范化能更好的控制程序结构，让程序具有更高的可读性
我是比较偏向于后者的，因为我是前一类同学思想行为下的直接受害者。我曾经维护过一个非常不好读的项目，其实现的逻辑并不复杂，但是却耗费了我非常长的时间去理解它想表达的意思。从此我个人对于提高项目可读性、可维护性的要求就很高了。"项目目录结构"其实也是属于"可读性和可维护性"的范畴，我们设计一个层次清晰的目录结构，就是为了达到以下两点：
-
可读性高:：不熟悉这个项目的代码的人，一眼就能看懂目录结构，知道程序启动脚本是哪个，测试目录在哪儿，配置文件在哪儿等等。从而非常快速的了解这个项目
-
可维护性高:：定义好组织规则后，维护者就能很明确地知道，新增的哪个文件和代码应该放在什么目录之下。这个好处是，随着时间的推移，代码/配置的规模增加，项目结构不会混乱，仍然能够组织良好
所以，我认为，保持一个层次清晰的目录结构是有必要的。更何况组织一个良好的工程目录，其实是一件很简单的事儿
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的这个问题上，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，可以参考这篇文章
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Readme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setuptools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
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的文档比较庞大，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: setup.py
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：点这里
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
5.调用其他目录下的py文件
先利用os模块下的os.path.dirname()命令获取上级目录路径，再利用sys模块下的sys.path.append()命令将目录路径添加到环境路径里
6.作业：ATM程序
程序需求：
模拟实现一个ATM + 购物商城程序
-
额度 15000或自定义
-
实现购物商城，买东西加入 购物车，调用信用卡接口结账
-
可以提现，手续费5%
-
每月22号出账单，每月10号为还款日，过期未还，按欠款总额 万分之5 每日计息
-
支持多账户登录
-
支持账户间转账
-
记录每月日常消费流水
-
提供还款接口
-
ATM记录操作日志
-
提供管理接口，包括添加账户、用户额度，冻结账户等。。。
-
用户认证用装饰器
浙公网安备 33010602011771号