Python高级编程总结

1.1==,is的使用

·is是比较两个引用是否指向了同一个对象(引用比较)。

·==是比较两个对象是否相等。

1.2深拷贝、浅拷贝

1.2.1浅拷贝

浅拷贝是对于一个对象的顶层拷贝

拷贝了引用,并没有拷贝内容

1.2.2深拷贝

深拷贝是对于一个对象所有层次的拷贝(递归)

进一步理解拷贝

In [23]: a = [11,22,33]

In [24]: b = [44,55,66]

In [25]: c = (a,b)

In [26]: e = copy.deepcopy(c)

In [27]: a.append(77)

In [28]: a

Out[28]: [11,22,33,77]

In [29]: b

Out[29]: [44,55,66]

In [30]: c

Out[30]: ([11,22,33,77], [44,55,66])

In [31]: e

Out[31]: ([11,22,33], [44,55,66])

In [32]:

In [32]:

In [32]: f = copy.copy(c)

In [33]: a.append(88)

In [34]: a

Out[34]: [11,22,33,77,88]

In [35]: b

Out[35]: [44,55,66]

In [36]: c

Out[36]: ([11,22,33,77,88], [44,55,66])

In [37]: e

Out[37]: ([11,22,33], [44,55,66])

In [38]: f

Out[38]: ([11,22,33,77,88], [44,55,66])

1.2.3拷贝的其他方式

浅拷贝对不可变类型和可变类型的copy不同

In [88]: a = [11,22,33]

In [89]: b =copy.copy(a)

In [90]: id(a)

Out[90]:59275144

In [91]: id(b)

Out[91]:59525600

In [92]:

a.append(44)

In [93]: a

Out[93]: [11,22,33,44]

In [94]: b

Out[94]: [11,22,33]

In [95]:

In [95]:

In [95]: a = (11,22,33)

In [96]: b =copy.copy(a)

In [97]: id(a)

Out[97]:58890680

In [98]: id(b)

Out[98]:58890680

·分片表达式可以赋值一个序列

a ="abc"

b = a[:]

·字典的copy方法可以拷贝一个字典

d = dict(name="zhangsan", age=27)

co = d.copy()

·有些内置函数可以生成拷贝(list)

a = list(range(10))

b = list(a)

·copy模块中的copy函数

importcopy

a = (1,2,3)

b = copy.copy(a)

1.3属性property

1.3.1私有属性添加getter和setter方法

classMoney(object):

def__init__(self):

self.__money =0

defgetMoney(self):

returnself.__money

defsetMoney(self, value):

ifisinstance(value, int):

self.__money = value

else:

print("error:不是整型数字")

1.3.2使用property升级getter和setter方法

classMoney(object):

def__init__(self):

self.__money =0

defgetMoney(self):

returnself.__money

defsetMoney(self, value):

ifisinstance(value, int):

self.__money = value

else:

print("error:不是整型数字")

money = property(getMoney, setMoney)

运行结果:

In [1]:fromget_setimportMoney

In [2]:

In [2]: a = Money()

In [3]:

In [3]: a.money

Out[3]:0

In [4]: a.money =100

In [5]: a.money

Out[5]:100

In [6]: a.getMoney()

Out[6]:100

1.3.3使用property取代getter和setter方法

@property成为属性函数,可以对属性赋值时做必要的检查,并保证代码的清晰短小,主要有2个作用:

·将方法转换为只读

·重新实现一个属性的设置和读取方法,可做边界判定

classMoney(object):

def__init__(self):

self.__money =0

@property

defmoney(self):

returnself.__money

@money.setter

defmoney(self, value):

ifisinstance(value, int):

self.__money = value

else:

print("error:不是整型数字")

运行结果

In [3]: a =Money()

In [4]:

In [4]:

In [4]: a.money

Out[4]:0

In [5]: a.money

=100

In [6]: a.money

Out[6]:100

1.4生成器

1.4.1什么是生成器

一边循环一边计算的机制,称为生成器:generator。

1.4.2创建生成器方法1

第一种方法很简单,只要把一个列表生成式的[ ]改成( )

In [15]: L = [ x*2forxinrange(5)]

In [16]: L

Out[16]: [0,2,4,6,8]

In [17]: G = ( x*2forxinrange(5))

In [18]: G

Out[18]: at0x7f626c132db0>

In [19]:

创建L和G的区别仅在于最外层的[ ]和( ),L是一个列表,而G是一个生成器。可以直接打印出L的每一个元素,但如果要一个一个打印出G的元素,可以通过next()函数获得生成器的下一个返回值:

In [19]: next(G)

Out[19]: 0

In [20]: next(G)

Out[20]: 2

In [21]: next(G)

Out[21]: 4

In [22]: next(G)

Out[22]: 6

In [23]: next(G)

Out[23]: 8

In [24]: next(G)

---------------------------------------------------------------------------

StopIterationTraceback (most recent call last)

in ()

----> 1 next(G)

StopIteration:

In [25]:

In [26]: G = ( x*2forxinrange(5))

In [27]:forxinG:

....:print(x)

....:

0

2

4

6

8

In [28]:

生成器保存的是算法,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的异常。当然,正确的方法是使用for循环,因为生成器也是可迭代对象。所以,创建了一个生成器后,基本上永远不会调用next(),而是通过for循环来迭代它,并且不需要关心StopIteration异常。

1.4.3创建生成器方法2

generator还可以用函数来实现。

比如,著名的斐波拉契数列(Fibonacci),除第一个和第二个数外,任意一个数都可由前两个数相加得到:

1, 1, 2, 3, 5, 8, 13, 21, 34, ...

斐波拉契数列用列表生成式写不出来,但是,用函数把它打印出来却很容易:

In [28]:deffib(times):

....:n =0

....:a,b =0,1

....:whilen

....:print(b)

....:a,b = b,a+b

....:n+=1

....:return'done'

....:

In [29]: fib(5)

1

1

2

3

5

Out[29]:'done'

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。

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:

In [30]: def fib(times):

....:n = 0

....:a,b = 0,1

....:while n

....:yield b

....:a,b = b,a+b

....:n+=1

....:return 'done'

....:

In [31]: F = fib(5)

In [32]: next(F)

Out[32]: 1

In [33]: next(F)

Out[33]: 1

In [34]: next(F)

Out[34]: 2

In [35]: next(F)

Out[35]: 3

In [36]: next(F)

Out[36]: 5

In [37]: next(F)

---------------------------------------------------------------------------

StopIterationTraceback (most recent call last)

in ()

----> 1 next(F)

StopIteration: done

上面fib的例子中,在循环过程中不断调用yield,就会不断中断。当然要给循环设置一个条件来退出循环,不然就会产生一个无限数列出来。同样的,把函数改成generator后,基本上从来不会用next()来获取下一个返回值,而是直接使用for循环来迭代:

In [38]:forninfib(5):

....:print(n)

....:

1

1

2

3

5

In [39]:

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:

In [39]: g = fib(5)

In [40]:whileTrue:

....:try:

....:x = next(g)

....:print("value:%d"%x)

....:exceptStopIterationase:

....:print("生成器返回值:%s"%e.value)

....:break

....:

value:1

value:1

value:2

value:3

value:5

生成器返回值:done

In [41]:

1.4.4send

例子:执行到yield时,gen函数作用暂时保存,返回i的值;temp接收下次c.send("python"),send发送过来的值,c.next()等价c.send(None)

In [10]:defgen():

....:i =0

....:whilei<5:

....:temp =yieldi

....:print(temp)

....:i+=1

....:

使用next函数

In [11]: f = gen()

In [12]: next(f)

Out[12]: 0

In [13]: next(f)

None

Out[13]: 1

In [14]: next(f)

None

Out[14]: 2

In [15]: next(f)

None

Out[15]: 3

In [16]: next(f)

None

Out[16]: 4

In [17]: next(f)

None

---------------------------------------------------------------------------

StopIterationTraceback (most recent call last)

in ()

----> 1 next(f)

StopIteration:

使用__next__()方法

In [18]: f = gen()

In [19]: f.__next__()

Out[19]: 0

In [20]: f.__next__()

None

Out[20]: 1

In [21]: f.__next__()

None

Out[21]: 2

In [22]: f.__next__()

None

Out[22]: 3

In [23]: f.__next__()

None

Out[23]: 4

In [24]: f.__next__()

None

---------------------------------------------------------------------------

StopIterationTraceback (most recent call last)

in ()

----> 1 f.__next__()

StopIteration:

使用send

In [43]: f = gen()

In [44]: f.__next__()

Out[44]:0

In [45]: f.send('haha')

haha

Out[45]:1

In [46]: f.__next__()

None

Out[46]:2

In [47]: f.send('haha')

haha

Out[47]:3

In [48]:

1.4.5实现多任务

模拟多任务实现方式之一:协程

def test1():

while True:

print("--1--")

yield None

def test2():

while True:

print("--2--")

yield None

t1 = test1()

t2 = test2()

while True:

t1.__next__()

t2.__next__()

总结

生成器是这样一个函数,它记住上一次返回时在函数体中的位置。对生成器函数的第二次(或第n次)调用跳转至该函数中间,而上次调用的所有局部变量都保持不变。

生成器不仅“记住”了它数据状态;生成器还“记住”了它在流控制构造(在命令式编程中,这种构造不只是数据值)中的位置。

生成器的特点:

1.节约内存

2.迭代到下一次的调用时,所使用的参数都是第一次所保留下的,即是说,在整个所有函数调用的参数都是第一次所调用时保留的,而不是新创建的

1.5迭代器

迭代是访问集合元素的一种方式。迭代器是一个可以记住遍历的位置的对象。迭代器对象从集合的第一个元素开始访问,直到所有的元素被访问完结束。迭代器只能往前不会后退。

1.5.1可迭代对象

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。

1.5.2判断是否可以迭代

可以使用isinstance()判断一个对象是否是Iterable对象:

In [50]:fromcollectionsimportIterable

In [51]: isinstance([], Iterable)

Out[51]:True

In [52]: isinstance({}, Iterable)

Out[52]:True

In [53]: isinstance('abc', Iterable)

Out[53]:True

In [54]: isinstance((xforxinrange(10)), Iterable)

Out[54]:True

In [55]: isinstance(100, Iterable)

Out[55]:False

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。

1.5.3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。

可以使用isinstance()判断一个对象是否是Iterator对象:

In [56]:fromcollectionsimportIterator

In [57]: isinstance((xforxinrange(10)), Iterator)

Out[57]:True

In [58]: isinstance([], Iterator)

Out[58]:False

In [59]: isinstance({}, Iterator)

Out[59]:False

In [60]: isinstance('abc', Iterator)

Out[60]:False

In [61]: isinstance(100, Iterator)

Out[61]:False

1.5.4iter()函数

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:

In [62]: isinstance(iter([]), Iterator)

Out[62]:True

In [63]: isinstance(iter('abc'), Iterator)

Out[63]:True

总结

·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

·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。

·目的是在使用集合的时候,减少占用的内容。

1.6闭包

1.6.1函数引用

deftest1():

print("--- in test1 func----")

#调用函数

test1()

#引用函数

ret = test1

print(id(ret))

print(id(test1))

#通过引用调用函数

ret()

运行结果:

---intest1 func----

140212571149040

140212571149040

---intest1 func----

1.6.2什么是闭包

#定义一个函数

deftest(number):

#在函数内部再定义一个函数,并且这个函数用到了外边函数的变量,那么将这个函数以及用到的一些变量称之为闭包

deftest_in(number_in):

print("in test_in函数, number_in is %d"%number_in)

returnnumber+number_in

#其实这里返回的就是闭包的结果

returntest_in

#给test函数赋值,这个20就是给参数number

ret = test(20)

#注意这里的100其实给参数number_in

print(ret(100))

#注意这里的200其实给参数number_in

print(ret(200))

运行结果:

intest_in函数, number_inis100

120

intest_in函数, number_inis200

220

1.6.3看一个闭包的实际例子:

defline_conf(a, b):

defline(x):

returna*x + b

returnline

line1 = line_conf(1,1)

line2 = line_conf(4,5)

print(line1(5))

print(line2(5))

例子中,函数line与变量a,b构成闭包。在创建闭包的时候,通过line_conf的参数a,b说明了这两个变量的取值,这样,就确定了函数的最终形式(y = x + 1和y = 4x + 5)。只需要变换参数a,b,就可以获得不同的直线表达函数。由此可以看到,闭包也具有提高代码可复用性的作用。

如果没有闭包,就需要每次创建直线函数的时候同时说明a,b,x。这样,就需要更多的参数传递,也减少了代码的可移植性。

注意:

1.闭包优化了变量,原来需要类对象完成的工作,闭包也可以完成

2.由于闭包引用了外部函数的局部变量,则外部函数的局部变量没有及时释放,消耗内存

1.7装饰器

装饰器,功能就是在运行原来功能基础上,加上一些其它功能,比如权限的验证,比如日志的记录等等。不修改原来的代码,进行功能的扩展。

1.7.1装饰器的理解

装饰器本质上是一个Python函数,它可以让其他函数在不需要做任何代码变动的前提下增加额外功能,装饰器的返回值也是一个函数对象。它经常用于有切面需求的场景,比如:插入日志、性能测试、事务处理、缓存、权限校验等场景。装饰器是解决这类问题的绝佳设计,有了装饰器,就可以抽离出大量与函数功能本身无关的雷同代码并继续重用。概括的讲,装饰器的作用就是为已经存在的对象添加额外的功能。

1.7.2多个装饰器

#定义函数:完成包裹数据

defmakeBold(fn):

defwrapped():

return""+ fn() +""

returnwrapped

#定义函数:完成包裹数据

defmakeItalic(fn):

defwrapped():

return""+ fn() +""

returnwrapped

@makeBold

deftest1():

return"hello world-1"

@makeItalic

deftest2():

return"hello world-2"

@makeBold

@makeItalic

deftest3():

return"hello world-3"

print(test1()))

print(test2()))

print(test3()))

运行结果:

hello world-1

hello world-2

hello world-3

1.7.3装饰器(decorator)功能

1.引入日志

2.函数执行时间统计

3.执行函数前预备处理

4.执行函数后清理功能

5.权限校验等场景

6.缓存

1.7.4装饰器示例

1.7.4.1例1:无参数的函数

fromtimeimportctime, sleep

deftimefun(func):

defwrappedfunc():

print("%s called at %s"%(func.__name__, ctime()))

func()

returnwrappedfunc

@timefun

deffoo():

print("I am foo")

foo()

sleep(2)

foo()

上面代码理解装饰器执行行为可理解成

foo = timefun(foo)

#foo先作为参数赋值给func后,foo接收指向timefun返回的wrappedfunc

foo()

#调用foo(),即等价调用wrappedfunc()

#内部函数wrappedfunc被引用,所以外部函数的func变量(自由变量)并没有释放

#func里保存的是原foo函数对象

1.7.4.2例2:被装饰的函数有参数

fromtimeimportctime, sleep

deftimefun(func):

defwrappedfunc(a, b):

print("%s called at %s"%(func.__name__, ctime()))

print(a, b)

func(a, b)

returnwrappedfunc

@timefun

deffoo(a, b):

print(a+b)

foo(3,5)

sleep(2)

foo(2,4)

1.7.4.3例3:被装饰的函数有不定长参数

fromtimeimportctime, sleep

deftimefun(func):

defwrappedfunc(*args, **kwargs):

print("%s called at %s"%(func.__name__, ctime()))

func(*args, **kwargs)

returnwrappedfunc

@timefun

deffoo(a, b, c):

print(a+b+c)

foo(3,5,7)

sleep(2)

foo(2,4,9)

1.7.4.4例4:装饰器中的return

fromtimeimportctime, sleep

deftimefun(func):

defwrappedfunc():

print("%s called at %s"%(func.__name__, ctime()))

func()

returnwrappedfunc

@timefun

deffoo():

print("I am foo")

@timefun

defgetInfo():

return'----hahah---'

foo()

sleep(2)

foo()

print(getInfo())

执行结果:

foo called at Fri Nov421:55:352016

I am foo

foo called at Fri Nov421:55:372016

I am foo

getInfo called at Fri Nov421:55:372016

None

如果修改装饰器为return

func(),则运行结果:

foo called at Fri Nov421:55:572016

I am foo

foo called at Fri Nov421:55:592016

I am foo

getInfo called at Fri Nov421:55:592016

----hahah---

总结:

·一般情况下为了让装饰器更通用,可以有return

1.7.4.5例5:装饰器带参数,在原有装饰器的基础上,设置外部变量

#decorator2.py

fromtimeimportctime, sleep

deftimefun_arg(pre="hello"):

deftimefun(func):

defwrappedfunc():

print("%s called at %s %s"%(func.__name__, ctime(), pre))

returnfunc()

returnwrappedfunc

returntimefun

@timefun_arg("wangcai")

deffoo():

print("I am foo")

@timefun_arg("python")

deftoo():

print("I am too")

foo()

sleep(2)

foo()

too()

sleep(2)

too()

可以理解为

foo()==timefun_arg("wangcai")(foo)()

1.7.4.6例6:类装饰器(扩展,非重点)

装饰器函数其实是这样一个接口约束,它必须接受一个callable对象作为参数,然后返回一个callable对象。在Python中一般callable对象都是函数,但也有例外。只要某个对象重写了__call__()方法,那么这个对象就是callable的。

classTest():

def__call__(self):

print('call me!')

t = Test()

t()# call me

类装饰器demo

classTest(object):

def__init__(self, func):

print("---初始化---")

print("func name is %s"%func.__name__)

self.__func = func

def__call__(self):

print("---装饰器中的功能---")

self.__func()

#说明:

#1.当用Test来装作装饰器对test函数进行装饰的时候,首先会创建Test的实例对象

#并且会把test这个函数名当做参数传递到__init__方法中

#即在__init__方法中的func变量指向了test函数体

#

#2. test函数相当于指向了用Test创建出来的实例对象

#

#3.当在使用test()进行调用时,就相当于让这个对象(),因此会调用这个对象的__call__方法

#

#4.为了能够在__call__方法中调用原来test指向的函数体,所以在__init__方法中就需要一个实例属性来保存这个函数体的引用

#所以才有了self.__func = func这句代码,从而在调用__call__方法中能够调用到test之前的函数体

@Test

deftest():

print("----test---")

test()

showpy()#如果把这句话注释,重新运行程序,依然会看到"--初始化--"

运行结果如下:

---初始化---

func nameistest

---装饰器中的功能---

----test---

1.8python是动态语言

1.8.1动态语言的定义

动态编程语言是一类在运行时可以改变其结构的语言:例如新的函数、对象、甚至代码可以被引进,已有的函数可以被删除或是其他结构上的变化。

1.8.2运行的过程中给对象绑定(添加)属性

>>>classPerson(object):

def__init__(self, name = None, age = None):

self.name = name

self.age = age

>>>P = Person("小明","24")

>>>

上面定义了1个类Person,在这个类里,定义了两个初始属性name和age,

>>>P.sex ="male"

>>>P.sex

'male'

>>>

动态给实例绑定sex属性。

1.8.3运行的过程中给类绑定(添加)属性

>>>P1 = Person("小丽","25")

>>>P1.sex

Traceback (most recent call last):

File"", line1,in

P1.sex

AttributeError: Person instance has no attribute'sex'

>>>

尝试打印P1.sex,发现报错,P1没有sex这个属性。可以直接给Person绑定属性。

>>>> Person.sex =None#给类Person添加一个属性

>>>P1 = Person("小丽","25")

>>>print(P1.sex)#如果P1这个实例对象中没有sex属性的话,那么就会访问它的类属性

None#可以看到没有出现异常

>>>

1.8.4运行的过程中给类绑定(添加)方法

functio绑定:

>>>classPerson(object):

def__init__(self, name = None, age = None):

self.name = name

self.age = age

defeat(self):

print("eat food")

>>>defrun(self, speed):

print("%s在移动,速度是%d km/h"%(self.name, speed))

>>>P = Person("老王",24)

>>>P.eat()

eat food

>>>

>>>P.run()

Traceback (most recent call last):

File"", line1,in

P.run()

AttributeError: Person instance has no attribute'run'

>>>

>>>

>>>importtypes

>>>P.run = types.MethodType(run, P)

>>>P.run(180)

老王在移动,速度是180km/h

给对象添加一个方法是对象.方法名= xxxx

完整的代码如下:

importtypes

#定义了一个类

classPerson(object):

num =0

def__init__(self, name = None, age = None):

self.name = name

self.age = age

defeat(self):

print("eat food")

#定义一个实例方法

defrun(self, speed):

print("%s在移动,速度是%d km/h"%(self.name, speed))

#定义一个类方法

@classmethod

deftestClass(cls):

cls.num =100

#定义一个静态方法

@staticmethod

deftestStatic():

print("---static method----")

#创建一个实例对象

P = Person("老王",24)

#调用在class中的方法

P.eat()

#给这个对象添加实例方法

P.run = types.MethodType(run, P)

#调用实例方法

P.run(180)

#给Person类绑定类方法

Person.testClass = testClass

#调用类方法

print(Person.num)

Person.testClass()

print(Person.num)

#给Person类绑定静态方法

Person.testStatic = testStatic

#调用静态方法

Person.testStatic()

1.8.5运行的过程中删除属性、方法

删除的方法:

1.del对象.属性名

2.delattr(对象, "属性名")

1.8.6__slots__

动态语言与静态语言的不同:

动态语言:可以在运行的过程中,修改代码

静态语言:编译时已经确定好代码,运行过程中不能修改

Python允许在定义class的时候,定义一个特殊的__slots__变量,来限制该class实例能添加的属性:

>>>classPerson(object):

__slots__ = ("name","age")

>>>P = Person()

>>>P.name ="老王"

>>>P.age =20

>>>P.score =100

Traceback (most recent call last):

File"", line1,in

AttributeError: Person instance has no attribute'score'

>>>

注意:

·使用__slots__要注意,__slots__定义的属性仅对当前类实例起作用,对继承的子类是不起作用的

In [67]:classTest(Person):

...:pass

...:

In [68]: t = Test()

In [69]: t.score =100

1.9元类

1.9.1类也是对象

类就是一组用来描述如何生成一个对象的代码段:

>>>classObjectCreator(object):

…pass

>>>my_object = ObjectCreator()

>>>printmy_object

<__main__.ObjectCreator object at0x8974f2c>

类同样也是一种对象。

Python解释器在执行class的时候会创建一个对象。

下面的代码段:

>>>classObjectCreator(object):

…pass

将在内存中创建一个对象,名字就是ObjectCreator。这个对象(类对象ObjectCreator)拥有创建对象(实例对象)的能力。但是,它的本质仍然是一个对象,可以进行如下的操作:

1.可以将它赋值给一个变量

2.可以拷贝它

3.可以为它增加属性

4.可以将它作为函数参数进行传递

下面是示例:

>>> print ObjectCreator#可以打印一个类,因为它其实也是一个对象

>>> def echo(o):

…print o

>>> echo(ObjectCreator)#可以将类做为参数传给函数

>>> print hasattr(ObjectCreator, 'new_attribute')

Fasle

>>> ObjectCreator.new_attribute = 'foo' #可以为类增加属性

>>> print hasattr(ObjectCreator, 'new_attribute')

True

>>> print ObjectCreator.new_attribute

foo

>>> ObjectCreatorMirror = ObjectCreator #可以将类赋值给一个变量

>>> print ObjectCreatorMirror()

<__main__.ObjectCreator object at 0x8997b4c>

1.9.2动态地创建类

类也是对象,可以在运行时动态的创建它们,就像其他任何对象一样。

可以在函数中创建类,使用class关键字:

>>> def choose_class(name):

…if name == 'foo':

…class Foo(object):

…pass

…return Foo#返回的是类,不是类的实例

…else:

…class Bar(object):

…pass

…return Bar

>>> MyClass = choose_class('foo')

>>> print MyClass#函数返回的是类,不是类的实例

>>> print MyClass()#可以通过这个类创建类实例,也就是对象

<__main__.Foo object at 0x89c6d4c>

内建函数type查看对象的类型:

>>> print type(1) #数值的类型

>>> print type("1") #字符串的类型

>>> print type(ObjectCreator()) #实例对象的类型

>>> print type(ObjectCreator) #类的类型

1.9.3使用type创建类

type可以动态的创建类。

type可以接受一个类的描述作为参数,然后返回一个类。

type可以像这样工作:

type(类名,由父类名称组成的元组(针对继承的情况,可以为空),包含属性的字典(名称和值))

比如下面的代码:

In [2]:classTest:#定义了一个Test类

...:pass

...:

In [3]: Test()#创建了一个Test类的实例对象

Out[3]: <__main__.Test at0x10d3f8438>

可以手动像这样创建:

Test2 = type("Test2",(),{})#定了一个Test2类

In [5]: Test2()#创建了一个Test2类的实例对象

Out[5]: <__main__.Test2 at0x10d406b38>

使用"Test2"作为类名,并且也可以把它当做一个变量来作为类的引用。类和变量是不同的,这里没有任何理由把事情弄的复杂。即type函数中第1个实参,也可以叫做其他的名字,这个名字表示类的名字

In [23]: MyDogClass = type('MyDog', (), {})

In [24]: print MyDogClass

使用help来测试这2个类

In [10]: help(Test) #用help查看Test类

Help on class Test in module __main__:

class Test(builtins.object)

|Data descriptors defined here:

|

|__dict__

|dictionary for instance variables (if defined)

|

|__weakref__

|list of weak references to the object (if defined)

In [8]: help(Test2) #用help查看Test2类

Help on class Test2 in module __main__:

class Test2(builtins.object)

|Data descriptors defined here:

|

|__dict__

|dictionary for instance variables (if defined)

|

|__weakref__

|list of weak references to the object (if defined)

1.9.4使用type创建带有属性的类

type接受一个字典来为类定义属性,因此

>>>Foo = type('Foo', (), {'bar':True})

可以翻译为:

>>>classFoo(object):

…bar =True

并且可以将Foo当成一个普通的类一样使用:

>>> print Foo

>>> print Foo.bar

True

>>> f = Foo()

>>> print f

<__main__.Foo object at 0x8a9b84c>

>>> print f.bar

True

可以向这个类继承,所以,如下的代码:

>>>classFooChild(Foo):

…pass

就可以写成:

>>> FooChild = type('FooChild', (Foo,),{})

>>> print FooChild

>>> print FooChild.bar# bar属性是由Foo继承而来

True

注意:

·type的第2个参数,元组中是父类的名字,而不是字符串

·添加的属性是类属性,并不是实例属性

1.9.5使用type创建带有方法的类

添加实例方法

In [46]:defecho_bar(self):#定义了一个普通的函数

...:print(self.bar)

...:

In [47]: FooChild = type('FooChild', (Foo,), {'echo_bar': echo_bar})#让FooChild类中的echo_bar属性,指向了上面定义的函数

In [48]: hasattr(Foo,'echo_bar')#判断Foo类中,是否有echo_bar这个属性

Out[48]:False

In [49]:

In [49]: hasattr(FooChild,'echo_bar')#判断FooChild类中,是否有echo_bar这个属性

Out[49]:True

In [50]: my_foo = FooChild()

In [51]: my_foo.echo_bar()

True

添加静态方法

In [36]: @staticmethod

...:deftestStatic():

...:print("static method ....")

...:

In [37]: Foochild = type('Foochild', (Foo,), {"echo_bar":echo_bar,"testStatic":

...: testStatic})

In [38]: fooclid = Foochild()

In [39]: fooclid.testStatic

Out[39]:

In [40]: fooclid.testStatic()

static method ....

In [41]: fooclid.echo_bar()

True

添加类方法

In [42]: @classmethod

...:deftestClass(cls):

...:print(cls.bar)

...:

In [43]:

In [43]: Foochild = type('Foochild', (Foo,), {"echo_bar":echo_bar,"testStatic":

...: testStatic,"testClass":testClass})

In [44]:

In [44]: fooclid = Foochild()

In [45]: fooclid.testClass()

True

在Python中,类也是对象,可以动态的创建类。

1.9.6到底什么是元类

元类就是用来创建类的“东西”。

元类就是用来创建类(对象)的,元类就是类的类:

MyClass = MetaClass()#使用元类创建出一个对象,这个对象称为“类”

MyObject = MyClass()#使用“类”来创建出实例对象

元类就是创建类这种对象的东西。type就是Python的内建元类。

1.9.7__metaclass__属性

可以在定义一个类的时候添加__metaclass__属性。

classFoo(object):

__metaclass__ = something…

...省略...

Python会用元类来创建类Foo。先写下class Foo(object),但是类Foo还没有在内存中创建。Python会在类的定义中寻找__metaclass__属性,如果找到了,Python就会用它来创建类Foo,如果没有找到,就会用内建的type来创建这个类。如下代码:

classFoo(Bar):

pass

Python做了如下的操作:

1.Foo中有__metaclass__这个属性吗?如果是,Python会通过__metaclass__创建一个名字为Foo的类(对象)

2.如果Python没有找到__metaclass__,它会继续在Bar(父类)中寻找__metaclass__属性,并尝试做和前面同样的操作。

3.如果Python在任何父类中都找不到__metaclass__,它就会在模块层次中去寻找__metaclass__,并尝试做同样的操作。

4.如果还是找不到__metaclass__,Python就会用内置的type来创建这个类对象。

1.9.8自定义元类

__metaclass__可以被任意调用,它并不需要是一个正式的类。

1.拦截类的创建

2.修改类

3.返回修改之后的类

1.10垃圾回收

1.10.1小整数对象池

整数在程序中的使用非常广泛,Python为了优化速度,使用了小整数对象池,避免为整数频繁申请和销毁内存空间。

Python对小整数的定义是[-5, 257)这些整数对象是提前建立好的,不会被垃圾回收。在一个Python的程序中,所有位于这个范围内的整数使用的都是同一个对象.

同理,单个字母也是这样的。

但是当定义2个相同的字符串时,引用计数为0,触发垃圾回收

1.10.2大整数对象池

每一个大整数,均创建一个新的对象。

1.10.3intern机制

·小整数[-5,257)共用对象,常驻内存

·单个字符共用对象,常驻内存

·单个单词,不可修改,默认开启intern机制,共用对象,引用计数为0,则销毁

字符串(含有空格),不可修改,没开启intern机制,不共用对象,引用计数为0,销毁

大整数不共用内存,引用计数为0,销毁

数值类型和字符串类型在Python中都是不可变的,这意味着每次对变量的修改实际上是创建一个新的对象

1.10.4Garbage collection(GC垃圾回收)

python采用的是引用计数机制为主,标记-清除和分代收集两种机制为辅的策略

引用计数机制:

python里每一个东西都是对象,它们的核心就是一个结构体:PyObject

typedefstruct_object {

intob_refcnt;

struct_typeobject *ob_type;

} PyObject;

PyObject是每个对象必有的内容,其中ob_refcnt就是做为引用计数。当一个对象有新的引用时,它的ob_refcnt就会增加,当引用它的对象被删除,它的ob_refcnt就会减少

#definePy_INCREF(op)((op)->ob_refcnt++)//增加计数

#definePy_DECREF(op) \//减少计数

if(--(op)->ob_refcnt !=0) \

; \

else\

__Py_Dealloc((PyObject *)(op))

当引用计数为0时,该对象生命就结束了。

引用计数机制的优点:

·简单

·实时性:一旦没有引用,内存就直接释放了。不用像其他机制等到特定时机。实时性还带来一个好处:处理回收内存的时间分摊到了平时。

引用计数机制的缺点:

·维护引用计数消耗资源

·循环引用

list1 = []

list2 = []

list1.append(list2)

list2.append(list1)

list1与list2相互引用,如果不存在其他对象对它们的引用,list1与list2的引用计数也仍然为1,所占用的内存永远无法被回收,这将是致命的。对于如今的强大硬件,缺点1尚可接受,但是循环引用导致内存泄露,注定python还将引入新的回收机制。(标记清除和分代收集)

1.10.5gc模块

1.10.5.1垃圾回收机制

Python中的垃圾回收是以引用计数为主,分代收集为辅。

1.10.5.1.1导致引用计数+1的情况

·对象被创建,例如a=23

·对象被引用,例如b=a

·对象被作为参数,传入到一个函数中,例如func(a)

·对象作为一个元素,存储在容器中,例如list1=[a,a]

1.10.5.1.2导致引用计数-1的情况

·对象的别名被显式销毁,例如del a

·对象的别名被赋予新的对象,例如a=24

·一个对象离开它的作用域,例如f函数执行完毕时,func函数中的局部变量(全局变量不会)

·对象所在的容器被销毁,或从容器中删除对象

1.10.5.1.3查看一个对象的引用计数

importsys

a ="hello world"

sys.getrefcount(a)

可以查看a对象的引用计数,但是比正常计数大1,因为调用函数的时候传入a,这会让a的引用计数+1

1.10.5.2循环引用导致内存泄露

引用计数的缺陷是循环引用的问题

importgc

classClassA():

def__init__(self):

print('object born,id:%s'%str(hex(id(self))))

deff2():

whileTrue:

c1 = ClassA()

c2 = ClassA()

c1.t = c2

c2.t = c1

delc1

delc2

#把python的gc关闭

gc.disable()

f2()

执行f2(),进程占用的内存会不断增大。

·创建了c1,c2后这两块内存的引用计数都是1,执行c1.t=c2和c2.t=c1后,这两块内存的引用计数变成2.

·在del c1后,内存1的对象的引用计数变为1,由于不是为0,所以内存1的对象不会被销毁,所以内存2的对象的引用数依然是2,在del c2后,同理,内存1的对象,内存2的对象的引用数都是1。

·虽然它们两个的对象都是可以被销毁的,但是由于循环引用,导致垃圾回收器都不会回收它们,所以就会导致内存泄露。

1.10.5.3垃圾回收

#coding=utf-8

importgc

classClassA():

def__init__(self):

print('object born,id:%s'%str(hex(id(self))))

# def __del__(self):

#print('object del,id:%s'%str(hex(id(self))))

deff3():

print("-----0------")

# print(gc.collect())

c1 = ClassA()

c2 = ClassA()

c1.t = c2

c2.t = c1

print("-----1------")

delc1

delc2

print("-----2------")

print(gc.garbage)

print("-----3------")

print(gc.collect())#显式执行垃圾回收

print("-----4------")

print(gc.garbage)

print("-----5------")

if__name__ =='__main__':

gc.set_debug(gc.DEBUG_LEAK)#设置gc模块的日志

f3()

python2运行结果:

-----0------

object born,id:0x724b20

object born,id:0x724b48

-----1------

-----2------

[]

-----3------

gc: collectable

gc: collectable

gc: collectable

gc: collectable

4

-----4------

[<__main__.ClassA instance at0x724b20>, <__main__.ClassA instance at0x724b48>, {'t': <__main__.ClassA instance at0x724b48>}, {'t': <__main__.ClassA instance at0x724b20>}]

-----5------

说明:

·垃圾回收后的对象会放在gc.garbage列表里面

·gc.collect()会返回不可达的对象数目,4等于两个对象以及它们对应的dict

有三种情况会触发垃圾回收:

1.调用gc.collect(),

2.当gc模块的计数器达到阀值的时候。

3.程序退出的时候

1.10.5.4gc模块常用功能解析

gc模块提供一个接口给开发者设置垃圾回收的选项。上面说到,采用引用计数的方法管理内存的一个缺陷是循环引用,而gc模块的一个主要功能就是解决循环引用的问题。

1.10.5.4.1常用函数:

1、gc.set_debug(flags)设置gc的debug日志,一般设置为gc.DEBUG_LEAK

2、gc.collect([generation])显式进行垃圾回收,可以输入参数,0代表只检查第一代的对象,1代表检查一,二代的对象,2代表检查一,二,三代的对象,如果不传参数,执行一个full collection,也就是等于传2。返回不可达(unreachable

objects)对象的数目

3、gc.get_threshold()获取的gc模块中自动执行垃圾回收的频率。

4、gc.set_threshold(threshold0[,

threshold1[, threshold2])设置自动执行垃圾回收的频率。

5、gc.get_count()获取当前自动执行垃圾回收的计数器,返回一个长度为3的列表

1.10.5.4.2gc模块的自动垃圾回收机制

必须要import gc模块,并且is_enable()=True才会启动自动垃圾回收。

这个机制的主要作用就是发现并处理不可达的垃圾对象。

垃圾回收=垃圾检查+垃圾回收

在Python中,采用分代收集的方法。把对象分为三代,一开始,对象在创建的时候,放在一代中,如果在一次一代的垃圾检查中,改对象存活下来,就会被放到二代中,同理在一次二代的垃圾检查中,该对象存活下来,就会被放到三代中。

gc模块里面会有一个长度为3的列表的计数器,可以通过gc.get_count()获取。

例如(488,3,0),其中488是指距离上一次一代垃圾检查,Python分配内存的数目减去释放内存的数目,注意是内存分配,而不是引用计数的增加。例如:

printgc.get_count()# (590, 8, 0)

a = ClassA()

printgc.get_count()# (591, 8, 0)

dela

printgc.get_count()# (590, 8, 0)

3是指距离上一次二代垃圾检查,一代垃圾检查的次数,同理,0是指距离上一次三代垃圾检查,二代垃圾检查的次数。

gc模快有一个自动垃圾回收的阀值,即通过gc.get_threshold函数获取到的长度为3的元组,例如(700,10,10)每一次计数器的增加,gc模块就会检查增加后的计数是否达到阀值的数目,如果是,就会执行对应的代数的垃圾检查,然后重置计数器

例如,假设阀值是(700,10,10):

当计数器从(699,3,0)增加到(700,3,0),gc模块就会执行gc.collect(0),即检查一代对象的垃圾,并重置计数器为(0,4,0)

当计数器从(699,9,0)增加到(700,9,0),gc模块就会执行gc.collect(1),即检查一、二代对象的垃圾,并重置计数器为(0,0,1)

当计数器从(699,9,9)增加到(700,9,9),gc模块就会执行gc.collect(2),即检查一、二、三代对象的垃圾,并重置计数器为(0,0,0)

注意点

gc模块唯一处理不了的是循环引用的类都有__del__方法,所以项目中要避免定义__del__方法

importgc

classClassA():

pass

# def __del__(self):

#print('object born,id:%s'%str(hex(id(self))))

gc.set_debug(gc.DEBUG_LEAK)

a = ClassA()

b = ClassA()

a.next = b

b.prev = a

print"--1--"

printgc.collect()

print"--2--"

dela

print"--3--"

delb

print"--3-1--"

printgc.collect()

print"--4--"

运行结果:

--1--

0

--2--

--3--

--3-1--

gc: collectable

gc: collectable

gc: collectable

gc: collectable

4

--4--

如果把del打开,运行结果为:

--1--

0

--2--

--3--

--3-1--

gc: uncollectable

gc: uncollectable

gc: uncollectable

gc: uncollectable

4

--4--

1.11内建属性

子类没有实现__init__方法时,默认自动调用父类的。如定义__init__方法时,需自己手动调用父类的__init__方法

__getattribute__例子:

classTest(object):

def__init__(self,subject1):

self.subject1 = subject1

self.subject2 ='cpp'

#属性访问时拦截器,打log

def__getattribute__(self,obj):

ifobj =='subject1':

print('log subject1')

return'redirect python'

else:#测试时注释掉这2行,将找不到subject2

returnobject.__getattribute__(self,obj)

defshow(self):

print('this is Test')

s = Test("python")

print(s.subject1)

print(s.subject2)

运行结果:

log subject1

redirect python

cpp

__getattribute__的坑

classPerson(object):

def__getattribute__(self,obj):

print("---test---")

ifobj.startswith("a"):

return"hahha"

else:

returnself.test

deftest(self):

print("heihei")

t = Person()

t.a#返回hahha

t.b#会让程序死掉

#原因是:当t.b执行时,会调用Person类中定义的__getattribute__方法,但是在这个方法的执行过程中

#if条件不满足,所以程序执行else里面的代码,即return self.test问题就在这,因为return需要把

#self.test的值返回,那么首先要获取self.test的值,因为self此时就是t这个对象,所以self.test就是

#t.test此时要获取t这个对象的test属性,那么就会跳转到__getattribute__方法去执行,即此时产

#生了递归调用,由于这个递归过程中没有判断什么时候推出,所以这个程序会永无休止的运行下去,又因为

#每次调用函数,就需要保存一些数据,那么随着调用的次数越来越多,最终内存吃光,所以程序崩溃

#

#注意:以后不要在__getattribute__方法中调用self.xxxx

1.12内建函数

Build-in Function,启动python解释器,输入dir(__builtins__),可以看到很多python解释器启动后默认加载的属性和函数,这些函数称之为内建函数,这些函数因为在编程时使用较多,cpython解释器用c语言实现了这些函数,启动解释器时默认加载。

1.12.1range

range(stop) -> list of integers

range(start, stop[, step]) -> list of integers

·start:计数从start开始。默认是从0开始。例如range(5)等价于range(0,5);

·stop:到stop结束,但不包括stop.例如:range(0,5)是[0,

1, 2, 3, 4]没有5

·step:每次跳跃的间距,默认为1。例如:range(0,5)等价于range(0, 5, 1)

range返回一个迭代值。如果想得到列表,可通过list函数

a = range(5)

list(a)

创建列表的另外一种方法

In [21]: testList = [x+2forxinrange(5)]

In [22]: testList

Out[22]: [2,3,4,5,6]

1.12.2map函数

map函数会根据提供的函数对指定序列做映射

map(...)

map(function, sequence[, sequence, ...]) -> list

·function:是一个函数

·sequence:是一个或多个序列,取决于function需要几个参数

·返回值是一个map

参数序列中的每一个元素分别调用function函数,返回包含每次function函数返回值的list。

#函数需要一个参数

map(lambdax: x*x, [1,2,3])

#结果为:[1, 4, 9]

#函数需要两个参数

map(lambdax, y: x+y, [1,2,3], [4,5,6])

#结果为:[5, 7, 9]

deff1( x, y ):

return(x,y)

l1 = [0,1,2,3,4,5,6]

l2 = ['Sun','M','T','W','T','F','S']

l3 = map( f1, l1, l2 )

print(list(l3))

#结果为:[(0, 'Sun'), (1, 'M'), (2, 'T'), (3, 'W'), (4, 'T'), (5, 'F'), (6, 'S')]

1.12.3filter函数

filter函数会对指定序列执行过滤操作

filter(...)

filter(function or None, sequence) -> list, tuple, or string

Return those items of sequence for which function(item) is true.If

function is None, return the items that are true.If sequence is a tuple

or string, return the same type, else return a list.

·function:接受一个参数,返回布尔值True或False

·sequence:序列可以是str,tuple,list

filter函数会对序列参数sequence中的每个元素调用function函数,最后返回的结果包含调用结果为True的元素。

返回值的类型和参数sequence的类型相同

filter(lambdax: x%2, [1,2,3,4])

[1,3]

filter(None,"she")

'she'

1.12.4reduce函数

reduce函数,reduce函数会对参数序列中元素进行累积

reduce(...)

reduce(function, sequence[, initial]) -> value

Apply a function of two arguments cumulatively to the items of a sequence,

from left to right, so as to reduce the sequence to a single value.

For example, reduce(lambda x, y: x+y, [1, 2, 3, 4, 5]) calculates

((((1+2)+3)+4)+5).If initial is present, it is placed before the items

of the sequence in the calculation, and serves as a default when the

sequence is empty.

·function:该函数有两个参数

·sequence:序列可以是str,tuple,list

·initial:固定初始值

reduce依次从sequence中取一个元素,和上一次调用function的结果做参数再次调用function。第一次调用function时,如果提供initial参数,会以sequence中的第一个元素和initial作为参数调用function,否则会以序列sequence中的前两个元素做参数调用function。注意function函数不能为None。

reduce(lambdax, y: x+y, [1,2,3,4])

10

reduce(lambdax, y: x+y, [1,2,3,4],5)

15

reduce(lambdax, y: x+y, ['aa','bb','cc'],'dd')

'ddaabbcc'

在Python3里,reduce函数已经被从全局名字空间里移除了,它现在被放置在fucntools模块里用的话要先引入:from functools import

reduce

1.12.5sorted函数

sorted(...)

sorted(iterable, key=None, reverse=False) --> new sorted list

1.13functools

一些工具函数放在此functools里。

importfunctools

dir(functools)

运行结果:

['MappingProxyType',

'RLock',

'WRAPPER_ASSIGNMENTS',

'WRAPPER_UPDATES',

'WeakKeyDictionary',

'_CacheInfo',

'_HashedSeq',

'__all__',

'__builtins__',

'__cached__',

'__doc__',

'__file__',

'__loader__',

'__name__',

'__package__',

'__spec__',

'_c3_merge',

'_c3_mro',

'_compose_mro',

'_convert',

'_find_impl',

'_ge_from_gt',

'_ge_from_le',

'_ge_from_lt',

'_gt_from_ge',

'_gt_from_le',

'_gt_from_lt',

'_le_from_ge',

'_le_from_gt',

'_le_from_lt',

'_lru_cache_wrapper',

'_lt_from_ge',

'_lt_from_gt',

'_lt_from_le',

'_make_key',

'cmp_to_key',

'get_cache_token',

'lru_cache',

'namedtuple',

'partial',

'partialmethod',

'reduce',

'singledispatch',

'total_ordering',

'update_wrapper',

'wraps']

1.13.1partial函数(偏函数)

把一个函数的某些参数设置默认值,返回一个新的函数,调用这个新函数会更简单。

importfunctools

defshowarg(*args, **kw):

print(args)

print(kw)

p1=functools.partial(showarg,1,2,3)

p1()

p1(4,5,6)

p1(a='python', b='test')

p2=functools.partial(showarg, a=3,b='linux')

p2()

p2(1,2)

p2(a='python', b='test')

1.13.2wraps函数

使用装饰器时,有一些细节需要被注意。例如,被装饰后的函数其实已经是另外一个函数了(函数名等函数属性会发生改变)。

添加后由于函数名和函数的doc发生了改变,对测试结果有一些影响,例如:

defnote(func):

"note function"

defwrapper():

"wrapper function"

print('note something')

returnfunc()

returnwrapper

@note

deftest():

"test function"

print('I am test')

test()

print(test.__doc__)

运行结果

note something

I am test

wrapper function

所以,Python的functools包中提供了一个叫wraps的装饰器来消除这样的副作用。例如:

importfunctools

defnote(func):

"note function"

@functools.wraps(func)

defwrapper():

"wrapper function"

print('note something')

returnfunc()

returnwrapper

@note

deftest():

"test function"

print('I am test')

test()

print(test.__doc__)

运行结果

note something

I am test

test function

1.14模块进阶

Python有一套很有用的标准库(standard library)。标准库会随着Python解释器一起安装。它是Python的一个组成部分。

1.14.1常用标准库

1.14.1.1time

1、time有2种时间表示形式:

1、时间戳表示法,即以整型或浮点型表示的是一个以秒为单位的时间间隔。这个时间的基础值是从1970年的1月1号零点开始算起。

2、元组格式表示法,即一种Python的数据结构表示。这个元组有9个整型内容。分别表示不同的时间含义。

2、名词解释:

UTC(Coordinated Universal Time,世界协调时)亦即格林威治天文时间,世界标准时间。在中国为UTC+8。

DST(Daylight Saving Time)即夏令时。是一种为节约能源而人为规定地方时间的制度,一般在天亮早的夏季人为将时间提前一小时。

3、包含的变量:

timezone --当地时间与标准UTC时间的误差,以秒计

altzone --当地夏令时时间与标准UTC时间的误差,以秒计

daylight --当地时间是否反映夏令时,默认为0

zname --关于(标准时区名称,夏令时时区名称)的元组

4、包含的函数:

time() --返回当前时间戳,浮点数形式。不接受参数

clock() --返回当前程序的cpu执行时间。unix系统始终返回全部运行时间;而windows从第二次开始都是以第一次调用此函数时的时间戳作为基准,而不是程序开始时间为基准。不接受参数。

sleep() --延迟一个时间段,接受整型、浮点型。

gmtime() --将时间戳转换为UTC时间元组格式。接受一个浮点型时间戳参数,其默认值为当前时间戳。

localtime()

--将时间戳转换为本地时间元组格式。接受一个浮点型时间戳参数,其默认值为当前时间戳。

asctime() --将时间元组格式转换为字符串形式。接受一个时间元组,其默认值为localtime()返回值

ctime() --将时间戳转换为字符串。接受一个时间戳,其默认值为当前时间戳。等价于asctime(localtime(seconds))

mktime() --将本地时间元组转换为时间戳。接受一个时间元组,必选。

strftime() --将时间元组以指定的格式转换为字符串形式。接受字符串格式化串、时间元组。时间元组为可选,默认为localtime()

strptime() --将指定格式的时间字符串解析为时间元组,strftime()的逆向过程。接受字符串,时间格式2个参数,都是必选。

tzset() --改变本地时区。

5、时间字符串支持的格式符号:

格式含义备注

%a本地(locale)简化星期名称

%A本地完整星期名称

%b本地简化月份名称

%B本地完整月份名称

%c本地相应的日期和时间表示

%d一个月中的第几天(01 - 31)

%H一天中的第几个小时(24小时制,00 - 23)

%I第几个小时(12小时制,01 - 12)

%j一年中的第几天(001 - 366)

%m月份(01 - 12)

%M分钟数(00 - 59)

%p本地am或者pm的相应符

%S秒(01 - 61)

%U一年中的星期数。(00 - 53星期天是一个星期的开始。)第一个星期天之前的所有天数都放在第0周。

%w一个星期中的第几天(0 - 6,0是星期天)

%W和%U基本相同,不同的是%W以星期一为一个星期的开始。

%x本地相应日期

%X本地相应时间

%y去掉世纪的年份(00 - 99)

%Y完整的年份

%Z时区的名字(如果不存在为空字符)

%%‘%’字符

1.14.1.2hashlib

importhashlib

m = hashlib.md5()#创建hash对象,md5:(message-Digest Algorithm 5)消息摘要算法,得出一个128位的密文

printm#

m.update('test')#更新哈希对象以字符串参数

printm.hexdigest()#返回十六进制数字字符串

应用实例

用于注册、登录....

importhashlib

importdatetime

KEY_VALUE ='test'

now = datetime.datetime.now()

m = hashlib.md5()

str ='%s%s'% (KEY_VALUE,now.strftime("%Y%m%d"))

m.update(str.encode('utf-8'))

value = m.hexdigest()

print(value)

运行结果:

8ad2d682e3529dac50e586fee8dc05c0

1.14.2常用扩展库

1.14.2.1SimpleHTTPServer

可以运行静态服务。

在终端中输入命令:

python -m http.server PORT

1.15编码风格

错误认知

·这很浪费时间

·我是个艺术家

·所有人都能穿的鞋不会合任何人的脚

·我善长制定编码规范

正确认知

·促进团队合作

·减少bug处理

·提高可读性,降低维护成本

·有助于代码审查

·养成习惯,有助于程序员自身的成长

pep8编码规范

Python Enhancement Proposals:python改进方案

Guido的关键点之一是:代码更多是用来读而不是写。编码规范旨在改善Python代码的可读性。

风格指南强调一致性。项目、模块或函数保持一致都很重要。

1.15.1每级缩进用4个空格。

括号中使用垂直隐式缩进或使用悬挂缩进。后者应该注意第一行要没有参数,后续行要有缩进。

·Yes

#对准左括号

foo = long_function_name(var_one, var_two,

var_three, var_four)

#不对准左括号,但加多一层缩进,以和后面内容区别。

deflong_function_name(

var_one, var_two, var_three,

var_four):

print(var_one)

#悬挂缩进必须加多一层缩进.

foo = long_function_name(

var_one, var_two,

var_three, var_four)

·No

#不使用垂直对齐时,第一行不能有参数。

foo = long_function_name(var_one, var_two,

var_three, var_four)

#参数的缩进和后续内容缩进不能区别。

deflong_function_name(

var_one, var_two, var_three,

var_four):

print(var_one)

4个空格的规则是对续行可选的。

#悬挂缩进不一定是4个空格

foo = long_function_name(

var_one, var_two,

var_three, var_four)

if语句跨行时,两个字符关键字(比如if)加上一个空格,再加上左括号构成了很好的缩进。后续行暂时没有规定,至少有如下三种格式,建议使用第3种。

#没有额外缩进,不是很好看,个人不推荐.

if(this_is_one_thingand

that_is_another_thing):

do_something()

#添加注释

if(this_is_one_thingand

that_is_another_thing):

# Since both conditions are true, we can frobnicate.

do_something()

#额外添加缩进,推荐。

# Add some extra indentation on the conditional continuation line.

if(this_is_one_thing

andthat_is_another_thing):

do_something()

1.15.2右边括号也可以另起一行。有两种格式,建议第2种。

#右括号不回退,个人不推荐

my_list = [

1,2,3,

4,5,6,

]

result = some_function_that_takes_arguments(

'a','b','c',

'd','e','f',

)

#右括号回退

my_list = [

1,2,3,

4,5,6,

]

result = some_function_that_takes_arguments(

'a','b','c',

'd','e','f',

)

1.15.3空格或Tab?

·空格是首选的缩进方法。

·Tab仅仅在已经使用tab缩进的代码中为了保持一致性而使用。

1.15.4最大行宽

·限制所有行的最大行宽为79字符。

·文本长块,比如文档字符串或注释,行长度应限制为72个字符。

1.15.5空行

·两行空行分割顶层函数和类的定义。

·类的方法定义用单个空行分割。

·额外的空行可以必要的时候用于分割不同的函数组,但是要尽量节约使用。

·额外的空行可以必要的时候在函数中用于分割不同的逻辑块,但是要尽量节约使用。

1.15.6源文件编码

·在核心Python发布的代码应该总是使用UTF-8。

·Python 3(默认UTF-8)不应有编码声明。

1.15.7导入在单独行

·Yes:

importos

importsys

fromsubprocessimportPopen, PIPE

·No:

importsys, os

·导入始终在文件的顶部,在模块注释和文档字符串之后,在模块全局变量和常量之前。

·导入顺序如下:标准库进口,相关的第三方库,本地库。各组的导入之间要有空行。

1.15.8禁止使用通配符导入。

通配符导入(fromimport*)应该避免,因为它不清楚命名空间有哪些名称存,混淆读者和许多自动化的工具。

1.15.9字符串引用

·Python中单引号字符串和双引号字符串都是相同的。注意尽量避免在字符串中的反斜杠以提高可读性。

·根据PEP 257,三个引号都使用双引号。

1.15.10括号里边避免空格

#括号里边避免空格

# Yes

spam(ham[1], {eggs:2})

# No

spam( ham[1], { eggs:2} )

1.15.11逗号,冒号,分号之前避免空格

#逗号,冒号,分号之前避免空格

# Yes

ifx ==4:printx, y; x, y = y, x

# No

ifx ==4:printx , y ; x , y = y , x

1.15.12索引操作中的冒号

当作操作符处理前后要有同样的空格(一个空格或者没有空格,个人建议是没有。

# Yes

ham[1:9], ham[1:9:3], ham[:9:3], ham[1::3], ham[1:9:]

ham[lower:upper], ham[lower:upper:], ham[lower::step]

ham[lower+offset : upper+offset]

ham[: upper_fn(x) : step_fn(x)], ham[:: step_fn(x)]

ham[lower + offset : upper + offset]

# No

ham[lower + offset:upper + offset]

ham[1:9], ham[1:9], ham[1:9:3]

ham[lower : : upper]

ham[ : upper]

1.15.13函数调用的左括号之前不能有空格

# Yes

spam(1)

dct['key'] = lst[index]

# No

spam (1)

dct ['key'] = lst [index]

1.15.14赋值等操作符前后

赋值等操作符前后不能因为对齐而添加多个空格

# Yes

x =1

y =2

long_variable =3

# No

x=1

y=2

long_variable =3

1.15.15二元运算符两边放置一个空格

涉及=、符合操作符( += , -=等)、比较( == , < , > , != , <> , <= , >= , in , not in , is ,

is not )、布尔( and , or , not )。

优先级高的运算符或操作符的前后不建议有空格。

# Yes

i = i +1

submitted +=1

x = x*2-1

hypot2 = x*x + y*y

c = (a+b) * (a-b)

# No

i=i+1

submitted +=1

x = x *2-1

hypot2 = x * x + y * y

c = (a + b) * (a - b)

1.15.16关键字参数和默认值参数的前后不要加空格

# Yes

defcomplex(real, imag=0.0):

returnmagic(r=real, i=imag)

# No

defcomplex(real, imag =0.0):

returnmagic(r = real, i = imag)

1.15.17通常不推荐复合语句

Compound statements:多条语句写在同一行

# Yes

iffoo =='blah':

do_blah_thing()

do_one()

do_two()

do_three()

# No

iffoo =='blah': do_blah_thing()

do_one(); do_two(); do_three()

尽管有时可以在if/for/while的同一行跟一小段代码,但绝不要跟多个子句,并尽量避免换行。

# No

iffoo =='blah': do_blah_thing()

forxinlst: total += x

whilet <10: t = delay()

更不是:

# No

iffoo =='blah': do_blah_thing()

else: do_non_blah_thing()

try: something()

finally: cleanup()

do_one(); do_two(); do_three(long, argument,

list, like, this)

iffoo =='blah': one(); two(); three()

1.15.18避免采用的名字

决不要用字符'l'(小写字母el),'O'(大写字母oh),或'I'(大写字母eye)作为单个字符的变量名。一些字体中,这些字符不能与数字1和0区别。用'L'代替'l'时。

1.15.19包和模块名

模块名要简短,全部用小写字母,可使用下划线以提高可读性。包名和模块名类似,但不推荐使用下划线。

1.16代码调试

1.16.1.1pycharm

步骤:

1、设置断点

2、shift+f9开始调试

3、光标就在断点处停了。这一行没有运行的

4、下一行:f8

5、进入方法:f7

6、跳到下一个断点:alt+f9

7、进入方法,跳出这一步,shift+f8

你可能感兴趣的:(Python高级编程总结)