装饰器
定义：本质是函数，（功能：装饰其他函数）；就是为其他函数添加附加功能
模拟场景一，在现有的函数中增加某个功能。现有的做法是定义新函数，并且加入函数中。需要修改源代码。
def logger(): print("logging") def test1(): logger() def test2(): logger()
场景二，如果是在生产环境中，需要增加功能。不能直接修改源代码。该怎么实现。
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
装饰器实例：直观感受一下装饰器的作用。
import time def timmer(func): def warpper(*args,**kwargs): start_time = time.time() func() stop_time = time.time() print("the func run time is %s" %(stop_time-start_time)) return warpper @timmer def test1(): time.sleep(3) print("in the test1") test1()
实现装饰器知识储备：
1. 函数即“变量”
通过例子来阐述函数即“变量”：
#例一：因为没有定义bar函数，程序报错 def foo(): print("in the foo") bar() foo() #例二：程序正常运行，相当于先定义变量x和y，再进行输出。 def bar(): print("in the bar") def foo(): print("in the foo") bar() foo() #例三：程序正常运行，相当于例二定义变量的顺序相反，但结果不变。 def foo(): print("in the foo") bar() def bar(): print("in the bar") foo() #例四：程序报错。因为执行foo函数的时候，当顺序执行到bar()语句的时候，这时候bar还没有被定义。 def foo(): print("in the foo") bar() foo() def bar(): print("in the bar")
2. 高阶函数
a: 把一个函数名当做实参传给另外一个函数（在不修改被装饰函数源代码的情况下为其添加功能）
举例：
import time def bar(): time.sleep(1) print("in the bar") def test1(func): start_time =time.time() func() stop_time =time.time() print("the func run time is %s" %(stop_time-start_time)) test1(bar)
b: 返回值中包含函数名（不修改函数的调用方式）
实例：
import time def bar(): time.sleep(2) print("in the bar") def test2(func): print(func) return func bar =test2(bar) bar()
3. 嵌套函数：在def定义的函数中用def再定义函数。里层的函数有局部变量的特性。
def foo(): print("in the foo") def bar(): print("in the bar") bar() foo()
总结：高阶函数+嵌套函数 => 装饰器
复习作用域内容，以供下面内容所需：局部作用域和全局作用域的访问顺序：由内而外。
#局部作用域和全局作用域的访问顺序 x = 0 def grandpa(): # x = 1 def dad(): x = 2 def son(): x = 3 print(x) son() dad() grandpa()
装饰器实例一：
import time def timer(func): #timer(test1) func=test1 def deco(): start_time = time.time() func() #运行被装饰的函数 stop_time=time.time() print("the func run time is %s" %(stop_time-start_time)) return deco #返回函数的内存地址 @timer #相当于test1 = timer(test1) def test1(): time.sleep(1) #等待1秒 print("in the test1") def test2(): time.sleep(1) print("in the test2") test1() test2 = timer(test2) #python提供了语法糖@，用法看test1 test2()
由实例一引出的问题：如果test2是有参数需要传递的，那么以上代码在运行到test2()的时候就会报错。
需要把代码改成通用型。
实例二：通用型装饰器代码。
import time def timer(func): #timer(test1) func=test1 def deco(*args,**kwargs): #以实现任意参数的传递 start_time = time.time() func(*args,**kwargs) #运行被装饰的函数，不带参数或带参数都可以运行 stop_time=time.time() print("the func run time is %s" %(stop_time-start_time)) return deco @timer def test1(): time.sleep(1) #等待1秒 print("in the test1") @timer def test2(name,age,job): time.sleep(1) print("test2:",name, age, job) test1() test2("abc",23,"IT")
实例一没有解决函数有返回值的问题。导致虽然没有改变源代码和调用方式，但是运行的结果变了。需要修改代码如下：
import time user,passwd = "alex","abc123" def auth(func): def wrapper(*args,**kwargs): username = input("username:").strip() password = input("password:").strip() if user == username and passwd == password: print("\033[32;1mUser has passed authentication\033[0m") res = func(*args,**kwargs) #运行index后的返回值传递给参数res #这一步也可以直接return print("----after authentication----") # 可加入其他装饰功能 return res #返回index函数的返回值 else: exit("\033[32;1mInvalid username or password\033[0m") return wrapper @auth def index(): print("welcome to index page") return "from index" print(index()) #只是index()运行函数结果看不出区别。但是如果要输出函数返回值，会发现实例一中的代码会返回None，因为在装饰器中，实际运行原index函数的是func，但是没有返回值。
需要定义参数或者return。
生成器
列表生成式：
a = [i*2 for i in range(10)] print(a)
#输出结果：[0, 2, 4, 6, 8, 10, 12, 14, 16, 18]
列表生成式的作用：简化代码。
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，成为生成器：generator。
生成器特性：
1. 只有在调用时才会生成相应的数据
2. 只记录当前位置
3. 只有一个__next__()方法
斐波那契数列，可以用函数创建生成器：
def fib(max): n, a, b = 0, 0, 1 while n < max: # print(b) yield b #只要函数中出现yield，那么函数已经变成生成器 a, b = b, a + b n = n+1 return "done" f =fib(20) #生成10个斐波那契数列，从1开始 print(f.__next__()) print("----- loop 1 -----") print(f.__next__()) print(f.__next__()) print("==== start loop ====") for i in f: print(i)
解析：
1. 以上例子中，a, b = b, a + b
相当于：t = (b, a + b) #t是一个tuple
a = t[0]
b = t[1]
2. 由于上面有几条__next__语句，所以for开始的循环不是从1开始，而是从当前位置开始循环。
3. 函数中出现yield语句，函数已变成生成器，没有返回值。
另一种情况，如果__next__超过生成器范围，那么程序会报错。例如生成10个斐波那契数列，有11个__next__语句，将出现“StopIteration”错误。
可以用try语句来抓取。代码如下：
def fib(max): n, a, b = 0, 0, 1 while n < max: # print(b) yield b #只要函数中出现yield，那么函数已经变成生成器 a, b = b, a + b n = n+1 return "done" f =fib(10) g =fib(6) while True: try: x = next(g) print("g",x) except StopIteration as e: print("Generator return value:",e.value) break
生成器并行运算：
吃包子例子：
import time def consumer(name): #消费者 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)) c = consumer("姚明") c.__next__() def producer(name): #生产者 c = consumer("A") c2 = consumer("B") c.__next__() c2.__next__() print("%s开始准备做包子啦！" %name) for i in range(10): time.sleep(1) print("%s做了一个包子，分两半！"%name) c.send(i) c2.send(i) producer("科比")
迭代器
我们已经知道，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Iteralbe对象：
from collections import Iterable #返回值：True print(isinstance([],Iterable)) #返回值：True print(isinstance({},Iterable)) #返回值：True print(isinstance("abc",Iterable)) #返回值：True print(isinstance((x for x in range(10)),Iterable)) #返回值：True print(isinstance(100,Iterable)) #返回值：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，
直到最后跑出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成为迭代器：Iterator。
from collections import Iterator print(isinstance([],Iterator)) #返回值：False print(isinstance({},Iterator)) #返回值：False print(isinstance("abc",Iterator)) #返回值：False print(isinstance((x for x in range(10)),Iterator)) #返回值：True print(isinstance(100,Iterator)) #返回值：False
也可以用dir()函数来查看参数的可调用方法：
a = [1,2,3] print(dir(a))
以上代码中，list a通过dir(a)函数，输出的内容没有next()方法。
为什么list、dict、str等数据类不是Iteraotr？
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作是一个有序序列，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时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等时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]: print(x)
以上for循环语句实际上完全等价于：
#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) print(x) except StopIteration: # 遇到StopIteration就退出循环 break
内置函数
print(all([0])) #全部为非0，返回True print(any([])) #只要有一个非0，返回True a = ascii([1,2,"外挂"]) print(type(a),[a]) print(bin(255)) #十进制转二进制 print(bool([])) #判断是否为空 a = bytes("abcde",encoding="utf-8") print(type(a),[a]) b = bytearray("abcde",encoding="utf-8") print(b.capitalize(),b) #返回：bytearray(b'Abcde') bytearray(b'abcde')，返回值是新的字节数组 print( b[0] ) #打印出a的ascii码 b[1]= 100 #用ascii编码进行赋值 print(b) #输出：bytearray(b'adcde') print(callable([])) #是否可调用：指可不可以加括号，此处返回False def sayhi():pass print(callable(sayhi)) #函数为可调用，返回True print(chr(98)) #输出ascii编码表中编号对应的字符 print(ord("b")) #和chr功能相反 code = "for i in range(10):print(i)" c = compile(code,"","exec") #compile()函数，编译字符串为代码 exec(c) exec(code) #其实直接用exec也能直接执行代码。请忘记compile ....... code1 = "1+1+1+1" print(eval(code1)) complex() #复数，略过... delattr() #后面会讲到 dict() #不加参数生成一个默认字典 divmod(5,3) #返回：(1,2)，即商和余数 enumerate() eval() #简单运算,字符串转字典 exec() (lambda n:print(n))(5) #匿名函数lambda，需要结合其他函数来用 calc = lambda n:print(n) calc(5) res = filter(lambda n:n>5,range(10)) #filter结合lambda使用 for i in res: print(i) res = map(lambda n:n*n,range(10)) # 相当于[ i*2 for i in range(10) ] res = [ lambda i:i*2 for i in range(10) ] print(res) for i in res: print(i) import functools res = functools.reduce( lambda x,y:x+y,range(10)) #0加到9 res = functools.reduce( lambda x,y:x*y,range(1,10)) #9的阶乘 a = frozenset([1,4,33,212,33,33,12,4]) #不可修改集合 print(globals()) #返回当前程序中所有的全局变量 hash() #哈希算法，每次python会把变量（中文、英文、其他字符等）进行索引编号，以便在以后调用的时候能快速找到 def test(): local_var = 333 print(locals()) #返回当前函数中的局部变量 test() print(globals()) print(globals().get('local_var')) print(max([1,3,9,3,4])) #打印列表中的最大值 print(min([1,3,9,3,4])) #打印列表中的最小值 memoryview() next() object() #对象，python中一切皆对象。 print(oct(9)) #十进制转为八进制 ord() print(pow(2,3)) #次方，2的3次方 repr() reversed() print(round(1.3352,2)) #小数保留2位，四舍五入 slice() #切片，忘了吧... a = {6:2,8:0,1:4,-5:6,99:11,4:22} print(a) print(sorted(a)) #只输出key，并排序 print(sorted(a.items())) #字典按照key排序 print(sorted(a.items(), key=lambda x:x[1])) #字典按照value排序 type() vars(object) a = [1,2,3,4,5,6] b = ["a","b","c","d"] for i in zip(a,b): print(i) __import__ ('decorator')
软件目录开发规范（完全引用alex博客，此部分内容多阅读几遍和以后通过实际写代码去体会即可）
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。
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。
浙公网安备 33010602011771号