python学习笔记_week4

• 装饰器：

定义：本质是函数，（装饰其他函数）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

实现装饰器知识储备：

1.函数即“变量”

 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()

decorator_

 # def foo():
 #     print("in the foo")
 #     bar()
 # foo()

 # def foo():
 #     print("in the foo")
 #     bar()
 # def bar():
 #     print("in the bar")
 # foo()

 def foo():
     print("in the foo")
     bar()
 foo()
 def bar():
     print("in the bar")

decorator1

x=1 x相当于门牌号，python解释器中有引用计数，y=x，相当于1所在的房间有两个门牌号，当没有门牌号时，python就会把房间清空掉。函数的回收机制和变量一样。

函数和变量都是先定义再调用，在调用之前定义好了就OK

2.高阶函数

满足以下其中一个就是高阶函数

①：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）

 import time
 def bar():
     time.sleep(3)
     print("in the bar")
 def test1(func):
     start_time=time.time()
     func()  # run bar
     stop_time = time.time()
     print("the func time is %s"%(stop_time-start_time))

 test1(bar)

test1

②：返回值中包含函数名（不修改函数的调用方式）

 import time
 def bar():
     time.sleep(3)
     print("in the bar")
 def test2(func):
     print(func)
     return func

 #print(test2(bar))
 # t=test2(bar)
 # t() #run bar
 bar=test2(bar)
 bar()

test2

3.嵌套函数

 def foo():
     print('in the foo')
     def bar():  #相当于局部变量，不能在外边调用
         print('in the bar')

     bar()
 foo()

decorator3

高阶函数+嵌套函数 =》装饰器

局部作用域和全局作用域的访问顺序（从里往外找）

 x=0
 def grandpa():
     # x=1
     def dad():
         x=2
         def son():
             x=3
             print(x)
         son()
     dad()
 grandpa()

装饰器1

 import time
 # def deco(func):
 #     start_time=time.time()
 #     return func  #返回函数的内存地址
 #     stop_time=time.time()
 #     print('the func run time is %s' % (stop_time - start_time))
 def timer(func): #timer(test1)  func=test1()
     def deco(*args,**kwargs):  #加上非固定参数*args,**kwargs才通用
         start_time=time.time()
         func(*args,**kwargs)  #run test1()
         stop_time=time.time()
         print('the func run time is %s' % (stop_time - start_time))
     return deco

 # def timer():
 #     def deco():
 #         pass   #仿照这个格式
 @timer #test1=timer(test1) =deco
 def test1():
     time.sleep(1)
     print('in the test1')
 @timer
 def test2(naem,age):
     time.sleep(1)
     print('in the test2')

 #test1=timer(test1)
 test1() #-->run deco
 test2("jyh",24)

decorator4

装饰器2

 import time
 user,passwd='alex','abc123'
 def auth(auth_type):
     print("auth func:",auth_type)
     def outer_wrapper(func):
         def wrapper(*args, **kwargs):
             print("warpper func args:",*args, **kwargs)
             if auth_type=="local":
                 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)  # from home
                     print("---after authentication")
                     return res
                 else:
                     exit('"\033[32;1mInwalid username or password\033[0m"')
             elif auth_type=="ldap":
                 print("ldap,搞毛线！")
         return wrapper
     return outer_wrapper

 def index():
     print("welcom to index page")
 @auth(auth_type="local") #home=wrapper()
 def home():
     print("welcom to home page")
     return "from home"
 @auth(auth_type="ldap")
 def bbs():
     print("welcom to bbs page")
 index()
 print(home()) #wrapper
 bbs()

decorator5

断点

 import time
 def timer(func): #timer(test1)  func=test1()
     def deco():
         start_time=time.time()
         func()  #run test1()
         stop_time=time.time()
         print('the func run time is %s' % (stop_time - start_time))
     return deco
 @timer #test1=timer(test1)
 def test1():
     time.sleep(3)
     print('in the test1')
 test1() #-->run deco

decorator5

• 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：

生成器：只有在调用时才会生成相应的数据。

只记录当前位置

只有一个__next__()方法。 "next()" in python2.x

斐波拉契

 def fib(max): #
     n, a, b = 0, 0, 1
     while n < max:
         #print(b)
         yield b  #生成器
         a, b = b, a + b
         n = n + 1
     return 'done' #处理异常，返回值
 f=fib(10)
 print(f.__next__())
 print(f.__next__())
 print(f.__next__())
 print(f.__next__())
 # 注意，赋值语句：
 # a, b = b, a + b
 # 相当于：
 # t = (b, a + b) # t是一个tuple
 # a = t[0]
 # b = t[1]
 # 但不必显式写出临时变量t就可以赋值
 # 仔细观察，可以看出，fib函数实际上是定义了斐波拉契数列的推算规则，可以从第一个元素开始，推算出后续任意的元素，这种逻辑其实非常类似generator。
 # 也就是说，上面的函数和generator仅一步之遥。要把fib函数变成generator，只需要把print(b)改为yield b就可以了：

 print("===start loop===")
 for i in f:
     print(i)

fibna_

异常处理：

 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---' #处理异常时返回的值
 f = fib(6)
 while True:
     try:
         x = next(f)
         print('f:', x)
     except StopIteration as e:
         print('Generator return value:', e.value)
         break

fibna_2

捕获StopIteration错误，返回值包含在StopIteration的value中。

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):  #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("jyh")
 # c.__next__()
 # b1="韭菜馅"
 # c.send(b1)  #与next区别：不仅调用，还传值
 # c.__next__()

 def producer(name):  #生产者
     c = consumer('A')
     c2 = consumer('B')
     c.__next__()
     c2.__next__()
     print("老子开始准备做包子啦!")
     for i in range(10):
         time.sleep(1)
         print("做了1个包子，分两半!")
         c.send(i)
         c2.send(i)

 producer("XXX")
 #协程比线程更小的单位
 #异步io， Nginx 雏形 。

bingxing

• 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Iterable对象：

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。

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：

你可能会问，为什么list、dict、str等数据类型不是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：

实际上完全等价于：

for line in f 也是迭代器的方式去取

• 内置参数

内置参数详解 https://docs.python.org/3/library/functions.html?highlight=built#ascii

#hash():

 print(all([1,-5,3])) #True
 print(any([0,-5,3])) #True
 print(any([])) #False
 #ascii()没什么用
 print(bin(255)) #0b11111111 把数字十进制转二进制
 print(bool(0)) #返回布尔值

 a=bytes("abcd",encoding="utf-8")
 print(a.capitalize(),a) #字符串不可以修改，字节更不可以修改，只能生成新的

 #改二进制
 b=bytearray("abcd",encoding="utf-8")
 print(b[1])
 b[1]=50 #ascii码中的50--->2
 print(b)

 #可否调用
 def func():
     pass
 print(callable([])) #False
 print(callable(func)) #True

 print(chr(98))  #ascii码中的98--->b
 print(ord("b")) # b--->ascii码中的98

 #classmethod #类方法，以后讲

 #compile() #基本用不到，底层，把代码进行编译的过程。
 code= "for i in range(10):print(i)"
 #c=compile(code,'',"exec")
 exec(code)
 #complex()  复数...
 #delattr() 有用，面向对象的时候再讲
 print(dict(a=2))#生成字典

 a={}
 print(dir(a))#打印字典a的所有"方法"

 print(divmod(5,3)) #--->(1,2) 1是商，2是余数

 # enumerate()
 # eval()
 # exec

 #匿名函数
 def sayhi(n):
     print(n)
 sayhi(3)
 # (lambda  n:print(n))(5)
 calc=lambda  n:print(n) #只能写三元运算
 calc(5)
 print("-----")

 #res=filter(lambda n:n>5,range(10)) #筛选
 #res=map(lambda  n:n*2,range(10))
 # for i in res:
 #     print(i)
 import functools
 res=functools.reduce(lambda x,y:x+y,range(1,10))
 print(res)  #

 # float
 # format()
 #a=frozenset([1,4,333,212,33,33,12,4]) #不可变集合，列表
 #getattr #面向对象时讲
 print(globals()) #返回的是当前整个程序所有变量的key-value格式
 print(hash("jyh")) #将对象转化为固定的值，对于算法，很有用，见上图。
 #help()
 print(hex(23))#把一个数字转化为16进制
 # id()、# input()、# int()、# isinstance()、# issubclass()、#iter()、#len()
 def test():
     local_var=333
     print(locals())
     print(globals())
 test()
 print(globals()) #只打印全局变量
 print(globals().get("local_var"))
 #max(),min(),next(),object  python中世间万物皆为对象，对象有属性，有功能，通过.调用
 print(oct(8) ) #转8进制
 # open(),ord(),print(),range()
 print(pow(2,8)) # 2的8次方
 # property #以后讲
 #repr() #没什么用
 #reversed()
 print(round(1.3342,3))#保留小数点后"2"(或其他)位
 #setattr 重要，后面讲
 #slice 忘记吧

 a={6:2,8:0,1:4,-5:6,99:11,4:22}
 print(sorted(a.items())) #默认按key排序 [(-5, 6), (1, 4), (4, 22), (6, 2), (8, 0), (99, 11)]
 print(sorted(a.items(),key=lambda x:x[1])) #[(8, 0), (6, 2), (1, 4), (-5, 6), (99, 11), (4, 22)]
 #@staticmethod  后面讲
 #sum() 求和,super() 后面讲
 #vars()#返回对象的所有属性名,用不到

 a=[1,2,3,4,5,6]
 b=["a","b","c","d"]
 for i in zip(a,b):  #按个数最小的来
     print(i)

 __import__("decorator_")#与import decorator_一样，很有用

neizhi_

• 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

 import json #json用于与java,c等不同语言（简单类型--列表，字典，字符串。函数不行）数据交互,取代xml
 #序列化：把内存的数据对象变成字符串存到硬盘上

 def sayhi(name):
     print("hello,",name)
 info={
     "name":"jyh",
     "age":24,
     "func":sayhi
 }

 f=open("test.text","w")
 #print(json.dumps(info))
 f.write(json.dumps(info))  #用dumps序列化
 f.close()

json_xuliehua

 import json
 info={
     "name":"jyh",
     "age":24
 }

 f=open("test.text","r")
 data=json.loads(f.read())  #用load反序列化
 print(data["age"])
 f.close()

json_fanxuliehua

 import pickle

 def sayhi(name):
     print("hello,",name)
 info={
     "name":"jyh",
     "age":24,
     "func":sayhi
 }

 f=open("test.text","wb")
 #print(json.dumps(info))
 f.write(pickle.dumps(info))
 f.close()

pickle_xuliehua

 import pickle

 def sayhi(name):

     print("hello2,",name)

 info={
     "name":"jyh",
     "age":24,
     "func":sayhi
 }

 f=open("test.text","rb")
 data=pickle.loads(f.read())
 print(data["func"]("jyh"))
 f.close()

pickle_fanxuliehua

 import json

 def sayhi(name):
     print("hello,",name)
 info={
     "name":"jyh",
     "age":24,
     #"func":sayhi
 }

 f=open("test.text","w")
 f.write(json.dumps(info))
 info["age"]=21
 f.write(json.dumps(info))
 f.close()

json_xuliehua2

 import json
 info={
     "name":"jyh",
     "age":24
 }

 f=open("test.text","r")
 data=json.load(f.read())
 print(data)
 f.close()   #可以dump多次，load出错。所以最好dump一次，load一次

json_fanxuliehua2

 import pickle

 def sayhi(name):
     print("hello,",name)
 info={
     "name":"jyh",
     "age":24,
     "func":sayhi
 }

 f=open("test.text","wb")
 pickle.dump(info,f) #与f.write(pickle.dumps(info))一样
 f.close()

pickle_xuliehua2

 import pickle

 def sayhi(name):

     print("hello2,",name)

 info={
     "name":"jyh",
     "age":24,
     "func":sayhi
 }

 f=open("test.text","rb")
 data=pickle.load(f) #与data=pickle.loads(f.read())一样
 print(data["func"]("jyh"))
 f.close()

pickle_fanxuliehua2

• 软件目录结构规范

"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:

1. 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。
2. 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:

1. 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。
2. 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
#还少一个配置文件目录(conf目录) 。

简要解释一下:

1. 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。
2. 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。
3. docs/: 存放一些文档。
4. setup.py: 安装、部署、打包的脚本。
5. requirements.txt: 存放软件依赖的外部Python包列表。
6. 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:

1. 软件定位，软件的基本功能。
2. 运行代码的方法: 安装环境、启动命令等。
3. 简要的使用说明。
4. 代码目录结构说明，更详细点可以说明软件的基本原理。
5. 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:

1. 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。
2. 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。
3. 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。
4. 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:

1. 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。
2. 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:

1. 配置文件写在一个或多个python文件中，比如此处的conf.py。
2. 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:

1. 这让单元测试变得困难（因为模块内部依赖了外部配置）
2. 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。
3. 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，

1. 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。
2. 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。

atm.py

 #环境变量不能写死，只能写相对路径。我们要把这个程序的绝对路径获取到，动态的加到系统的环境变量里。
 # print(__file__) #当前程序的相对路径
 import os
 # print(os.path.abspath(__file__)) #当前程序的绝对路径
 print(os.path.dirname(os.path.abspath(__file__))) #dirname返回目录名不要文件名
 print(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
 BASE_DIR=os.path.dirname(os.path.dirname(os.path.abspath(__file__)))
 import sys
 sys.path.append(BASE_DIR) #添加环境变量
 from conf import  settings
 from core import  main

 main.login()

atm.py

main.py

 def login():
     print("Welcom to my Atm")

main.py

• 作业需求：

模拟实现一个ATM + 购物商城程序

1. 额度 15000或自定义
2. 实现购物商城，买东西加入 购物车，调用信用卡接口结账
3. 可以提现，手续费5%
4. 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
5. 支持多账户登录
6. 支持账户间转账
7. 记录每月日常消费流水（账单）
8. 提供还款接口
9. ATM记录操作日志
10. 提供管理接口，包括添加账户、用户额度，冻结账户等。。。
11. 用户认证用装饰器

示例代码https://github.com/triaquae/py3_training/tree/master/atm　

简易流程图：https://www.processon.com/view/link/589eb841e4b0999184934329