python-Debug、函数装饰器

目录：

一、Debug操作

二、函数的装饰器

三、迭代器

四、生成器

一、Debug操作：

程序出问题的时候可以用debug来看一下代码运行轨迹，然后找找问题在哪里

1.先给即将debug的代码打上断点：

 2.打完断点之后右键点击debug：

 3.然后依次点击开始按钮让程序开始一步步运行：

二、函数的装饰器：

定义：装饰器为其他函数添加附加功能，本质上还是一个函数

原则：①不修改被修饰函数的源代码

　　    ②不修改被修饰函数的调用方式

有这样一个函数：demo()

先导入时间模块，然后函数执行时先睡两秒，在执行打印

 import time
 def demo():
     time.sleep(2)
     print("welcome sir")
 demo()

现在想为demo()函数添加一个统计函数运行时间的功能，但是要遵循开放封闭原则

初步思想：

 import time
 def demo():
     start_time = time.time()
     time.sleep(2)
     print("welcome sir")
     end_time = time.time()
     print("运行时间%s" %(end_time-start_time))
 demo()

这样就完美解决了，但是，我们要用可持续发展的眼光来看，假如有十万个代码，我们这样一个一个添加，你不加班谁加班？

这个时候我们可以用函数的思维来解决

进步思想：

 import time
 def demo():
     time.sleep(2)
     print("welcome sir")
 def timmer(func_name):
     def inner():
         start_time = time.time()
         func_name()
         end_time = time.time()
         print("运行时间%s" %(end_time-start_time))
     return inner
 res = timmer(demo)
 res()

这样看起来非常Nice，用到了高阶函数，嵌套函数，函数闭包，但是我们违反了开放封闭原则，这个时候把res 改成 demo 就可以了

在这里有一个命令，可以直接略过这个赋值，让代码看起来更美观，执行效率更高

 import time
 def timmer(func_name):
     def inner():
         start_time = time.time()
         func_name()
         end_time = time.time()
         print("运行时间%s" %(end_time-start_time))
     return inner
 @timmer
 def demo():
     time.sleep(2)
     print("welcome sir")
 demo()

ok，代码完成，这其实就是一个函数装饰器，我们来解释一下代码运行顺序

为装饰器加上返回值：

 import time
 def timmer(func_name):
     def inner():
         start_time = time.time()
         res = func_name()
         end_time = time.time()
         print("运行时间%s" %(end_time-start_time))
         return res
     return inner
 @timmer
 def demo():
     time.sleep(2)
     return '函数demo的返回值'
 val = demo()
 print(val)

有参数的装饰器：

 import time
 def timmer(func_name):
     def inner(*args,**kwargs):
         start_time = time.time()
         res = func_name(*args,**kwargs)
         end_time = time.time()
         print("运行时间%s" %(end_time-start_time))
         return res
     return inner
 @timmer
 def demo(name,age):
     time.sleep(2)
     return '函数demo的返回值,姓名：%s,年龄：%s' %(name,age)
 val = demo('zrh',20)
 print(val)

图示流程：

三、迭代器： 

可迭代协议：只要包括了"_iter_"方法的数据类型就是可迭代的

 print([1,2,3].__iter__())  #打印结果：<list_iterator object at 0x000002E7F803DE88>

iterable 形容词 可迭代的

 from collections import Iterable  #检测一个对象是否可迭代
 print(isinstance('aaa',Iterable))
 print(isinstance(123,Iterable))
 print(isinstance([1,2,3],Iterable))

迭代器协议：迭代器中有 __next__ 和 __iter__方法 

iterator 名词 迭代器，迭代器 就是实现了能从其中一个一个的取出值来

检测参数是不是个迭代器：

 from collections import Iterator
 print(isinstance(lst_iterator,Iterator))
 print(isinstance([1,2,3],Iterator))

在python里，目前学过的所有的可以被for循环的基本数据类型都是可迭代的，而不是迭代器。

迭代器包含可迭代对象

可迭代对象转换为迭代器：

可迭代对象._iter_()  这样就变成可一个迭代器

lise_case = [1,2,3].__iter__()

迭代器存在的意义：

1.能够对python中的基本数据类型进行统一的遍历,不需要关心每一个值分别是什么
2.它可以节省内存 —— 惰性运算

for循环的本质：

 lst_iterator = [1,2,3].__iter__()
 while True:
     try:
         print(lst_iterator.__next__())
     except StopIteration:
         break

只不过for循环之后如果参数是一个可迭代对象，python内部会将可迭代对象转换成迭代器而已。

四、生成器：

Iterator 迭代器

Gerator 生成器

生成器其实就是迭代器，生成器是用户写出来的

 def generator_func():    #生成器函数
     print(123)
     yield 'aaa'
 generate = generator_func()
 print(generate)
 print(generate.__next__())
 # 打印结果：
 # <generator object generator_func at 0x0000018F3942E8C8>
 #
 # aaa

带yield关键字的函数就是生成器函数，包含yield语句的函数可以用来创建生成器对象，这样的函数也称为生成器函数。

yield语句与return语句的作用相似，都是用来从函数中返回值，return语句一旦执行会立刻结束函数的运行

而每次执行到yield语句并返回一个值之后会暂停或挂起后面的代码的执行，下次通过生成器对象的__next__()、for循环或其他方式索要数据时恢复执行

生成器具有惰性求值的特点

生成器运行顺序：

生成器问题注意1：

 def generator_func():    #生成器函数
     print(123)
     yield 'aaa'
     print(456)
     yield 'bbb'
 ret_1 = generator_func().__next__()
 print(ret_1)
 ret_2 = generator_func().__next__()
 print(ret_2)
 # 输出结果：
 #
 # aaa
 #
 # aaa
 def generator_func():    #生成器函数
     print(123)
     yield 'aaa'
     print(456)
     yield 'bbb'
 generate_1 = generator_func()
 ret_1 = generate_1.__next__()
 print(ret_1)
 ret_2 = generate_1.__next__()
 print(ret_2)
 # 输出结果：
 #
 # aaa
 #
 # bbb

第6行和第8行相当于创建了两个生成器，第20行创建了一个生成器，21行和23行都用的是第20行创建的生成器，所以输出结果不一样

生成器问题注意2：

for循环完了之后生成器数据就取完了，再继续print数据的话，就会报错，因为没有数据可以读了。

一个函数有两个以上的yield，才算一个必要的生成器，如果只有一个yield，那还不如老老实实的去写return

生成器实例：

需求：写一个实时监控文件输入的内容，并将输入内容返回的函数

 def tail(filename):
     f = open(filename,encoding='utf-8')
     f.seek(0,2)
     while True:
         line = f.readline()
         if not line:continue
         yield line
 tail_g = tail('file_1')
 for line in tail_g:print(line,end='')

生成器send用法：

1.send和next工作的起止位置是完全相同的
2.send可以把一个值作为信号量传递到函数中去
3.在生成器执行伊始，只能先用next
4.只要用send传递参数的时候，必须在生成器中还有一个未被返回的yield

 def average_func():
     total = 0
     count = 0
     average = 0
     while True:
         value = yield average
         total += value
         count += 1
         average = total/count
 g = average_func()
 print(g.__next__())
 print(g.send(30))
 print(g.send(20))

代码解释：

装饰器生成激活函数装置：

 def wrapper(func):
     def inner(*args,**kwargs):
         g = func(*args,**kwargs)
         g.__next__()
         return g
     return inner
 @wrapper
 def average_func():
     total = 0
     count = 0
     average = 0
     while True:
         value = yield average
         total += value
         count += 1
         average = total/count
 g = average_func()
 print(g.send(30))

利用函数装饰器写了一个函数激活装置，就不用在18行之前的send前使用 next 了，next 在第4行已经实现了。