Python武器库开发-高级特性篇(七)

高级特性篇(七)

装饰器

装饰器是给现有的模块增添新的小功能，可以对原函数进行功能扩展，而且还不需要修改原函数的内容，也不需要修改原函数的调用。这也称为元编程，因为程序的一部分试图在编译时修改程序的另一部分。Python中的所有内容都是对象。我们定义的名称只是绑定到这些对象的标识符。函数也不例外，它们也是对象（带有属性）。可以将各种不同的名称绑定到同一功能对象。

def first(msg):
    print(msg)    

first("Hello")

second = first
second("Hello")

当你运行代码时，这两个函数first和second给出相同的输出。在此，名称first和second指代相同的功能对象：

现在情况是不是感觉变复杂了点，可以将函数作为参数传递给另一个函数。这种以其他函数为参数的函数也称为高阶函数。这是这种函数的一个实例。

def inc(x):
    return x + 1

def dec(x):
    return x - 1

def operate(func, x):
    result = func(x)
    return result

print(operate(inc,3))
print(operate(dec,3))

程序的输出结果如下：

函数和方法被称为可调用的，因为它们可以被调用。

实际上，任何实现特殊方法__call __()的对象都称为可调用的。 因此，从最基本的意义上讲，装饰器是可调用的，可返回可调用的。

基本上，装饰器接受一个函数，添加一些功能并返回它。

def make_pretty(func):
    def inner():
        print("我被装饰了")
        func()
    return inner

def ordinary():
    print("我是普通的函数")

print(ordinary())
print("-----------------------")

pretty = make_pretty(ordinary)
print(pretty())

程序的输出结果如下：

在上面显示的示例中，make_pretty()是一个装饰器,pretty = make_pretty(ordinary),函数ordinary()被修饰，返回的函数被命名为pretty。这是一个常见的构造，因此，Python具有简化此语法的语法。我们可以将@符号与装饰器函数的名称一起使用，并将其放置在要装饰的函数的定义上方。例如：

def make_pretty(func):
    def inner():
        print("我被装饰了")
        func()
    return inner

@make_pretty
def ordinary():
    print("我是普通的函数")

print(ordinary())

就相当于

def make_pretty(func):
    def inner():
        print("我被装饰了")
        func()
    return inner

def ordinary():
    print("我是普通的函数")

ordinary = make_pretty(ordinary)

print(ordinary())

在Python中，我们可以通过完成的function(*args, **kwargs)。这样，args是位置参数的元组，kwargs而是关键字参数的字典。这样的装饰器的一个实例是：

def works_for_all(func):
    def inner(*args, **kwargs):
        print("我可以装饰任何函数")
        return func(*args, **kwargs)
    return inner

@works_for_all
def test():
    print("我被装饰了")


test()

程序的输出结果如下：

在Python中，我们还可以链接多个装饰器。一个函数可以用不同（或相同）的装饰器多次装饰。我们只需将装饰器放置在所需函数之上。

def star(func):
    def inner(*args, **kwargs):
        print("*" * 30)
        func(*args, **kwargs)
        print("*" * 30)
    return inner

def percent(func):
    def inner(*args, **kwargs):
        print("%" * 30)
        func(*args, **kwargs)
        print("%" * 30)
    return inner

@star
@percent
def printer(msg):
    print(msg)
printer("Hello")

程序的输出结果如下：

链接装饰器的顺序很重要。如果我们按相反的顺序

def star(func):
    def inner(*args, **kwargs):
        print("*" * 30)
        func(*args, **kwargs)
        print("*" * 30)
    return inner

def percent(func):
    def inner(*args, **kwargs):
        print("%" * 30)
        func(*args, **kwargs)
        print("%" * 30)
    return inner

@percent
@star
def printer(msg):
    print(msg)
printer("Hello")

执行的程序结果输出将如下：

迭代器

对于Python中的任意对象，只要它定义了可以返回一个迭代器的 _ iter_ 方法，或者定义了可以支持下标索引的 _ getitem_ 方法，那么它就是一个可迭代对象。对可迭代对象使用 _ iter_ 方法后，会返回一个迭代器。iter()函数（也就是__iter__()方法）从它们返回一个迭代器。我们使用该next()函数手动遍历迭代器的所有项目。 当我们到达末尾并且没有更多数据要返回时，它将引发StopIteration。 以下是一个示例：

# 定义一个列表
my_list = [4, 7, 0, 3]

# 使用iter()获得迭代器
my_iter = iter(my_list)

## 使用iter()获得迭代器 

#输出 4
print(next(my_iter))

#输出 7
print(next(my_iter))

## next（obj）与obj .__ next __()相同

#输出 0
print(my_iter.__next__())

#输出 3
print(my_iter.__next__())

## 这将引起错误，没有项目剩下
next(my_iter)

以上实例输出的结果如下：

在Python中从头开始构建迭代器很容易。我们只需要实现这些方法__iter__()和__next__()。iter()方法返回迭代器对象本身。如果需要，可以执行一些初始化。next()方法必须返回序列中的下一项。在到达终点时，以及在随后的调用中，它必须引发StopIteration。这里，我们展示了一个示例，它将在每次迭代中为我们提供2的次幂。幂指数从0到用户设置的数字：

class PowTwo:
    """实现迭代器的类
             二的幂"""

    def __init__(self, max = 0):
        self.max = max

    def __iter__(self):
        self.n = 0
        return self

    def __next__(self):
        if self.n <= self.max:
            result = 2 ** self.n
            self.n += 1
            return result
        else:
            raise StopIteration

a = PowTwo(4)
i = iter(a)

print(next(i))
print(next(i))
print(next(i))
print(next(i))
print(next(i))

以上实例输出的结果如下：

迭代器对象中的项不必耗尽。可能有无限的迭代器(永远不会结束)。在处理这样的迭代器时，我们必须小心。在这些类型的无限迭代器上进行迭代时，请小心包含终止条件。这是一个演示无限迭代器的简单示例：

class InfIter:
    """无限迭代器返回所有
                 奇数"""

    def __iter__(self):
        self.num = 1
        return self

    def __next__(self):
        num = self.num
        self.num += 2
        return num

a = iter(InfIter())

print(next(a))
print(next(a))
print(next(a))
print(next(a))
print(next(a))
print(next(a))
print(next(a))
print(next(a))

运行结果如下：

生成器

用Python构建迭代器有很多开销; 我们必须使用__iter__()和__next__()方法实现一个类，跟踪内部状态，在没有要返回的值时触发StopIteration等等。这既冗长又违反直觉。生成器在这种情况下可以派上用场。Python生成器是创建迭代器的简单方法。我们上面提到的所有开销都由Python的生成器自动处理。

简而言之，生成器是一个函数，它返回一个对象（迭代器），我们可以对其进行迭代（一次一个值）。

生成器是动态生成的，当你要迭代的对象有非常多的元素时，使用生成器能为你节约很多内存

在Python中创建生成器非常简单。 就像使用yield语句而不是return语句定义普通函数一样容易。

如果一个函数包含至少一个yield语句(它可能包含其他yield或return语句)，那么它就成为一个生成器函数。yield和return都将从函数返回一些值。

不同之处在于，当return语句完全终止一个函数时，yield语句会暂停该函数保存其所有状态，然后在后续调用时继续执行。

这是生成器函数与常规函数的不同之处：

• 生成器函数包含一个或多个yield语句。

• 调用时，它返回一个对象（迭代器），但不会立即开始执行。

• 像__iter__()和__next__()这样的方法会自动实现。因此，我们可以使用next()来遍历项目。

• 一旦函数产生了结果，函数就会暂停，控制就会转移给调用者。

• 局部变量及其状态在连续调用之间被记住。

• 最后，当函数终止时，在进一步调用时会自动引发StopIteration。

这是一个示例，用于说明上述所有要点。我们有一个my_gen()由几个yield语句命名的生成器函数：

# 一个简单的生成器函数
def my_gen():
    n = 1
    print('这是第一次打印')
    # 生成器函数包含yield语句
    yield n

    n += 1
    print('这是第二次打印')
    yield n

    n += 1
    print('这是最后一次打印')
    yield n

# 它返回一个对象，但不立即开始执行
a = my_gen()
# 我们可以使用next()遍历这些项.
next(a)
# 一旦函数产生了结果，函数就会暂停，控制就会转移给调用者。

# 局部变量及其状态在连续调用之间被记住。
next(a)

next(a)

# 最后，当函数终止时，在进一步调用时将自动引发StopIteration。

next(a)

这是以上实列的输出结果：

我们可以直接将生成器与for循环一起使用。

这是因为，for循环接受一个迭代器，并使用next()函数对其进行迭代。当StopIteration被触发时，它会自动结束

# 一个简单的生成器函数
def my_gen():
    n = 1
    print('这是第一次打印')
    # 生成器函数包含yield语句
    yield n

    n += 1
    print('这是第二次打印')
    yield n

    n += 1
    print('这是最后一次打印')
    yield n

# 使用for循环
for item in my_gen():
    print(item)

运行该程序时，输出为：