Python之装饰器

Python之装饰器

    在python这个国家里，装饰器以及后面讲到的迭代器，生成器都是十二分重要的高级函数。
    如果将装饰器比作取经路上的一个大boss，那么想干掉它必须拿到三件法宝。
    装饰器是一个函数，是为了其他函数增加功能使用的。

法宝一：作用域

'''
    L_E_G_B: 从内到外，B是python内置变量
    L: a = 7
    E: a = 5
    G: x = 3
    B: python内置变量
'''

x = 3

def f():
    a = 5

    def inner():
        a = 7
        return a

法宝二：高阶函数

函数名可以作为参数输入
函数名可以作为返回值

法宝三：闭包

'''
    关于闭包  
        闭包 = 函数块 + 定义函数时的环境
    定义
		如果在一个内部函数里，对在外部作用域（但不是在全局作用域）的变量进行引用，那么内部函数就被认为是闭包(closure)
'''
def outer():
	x = 10
def inner(): # 条件1：inner就是内部函数

print(x) # 条件2：外部环境的一个变量

return inner() # 结果：内部函数就是一个闭包
outer()
# inner()# 局部变量，全局无法调用
# x # 局部变量，全局无法调用

一、列表生成式、生成器&迭代器

1.1 列表生成式

    两种创建方式
        方式一：列表生成式可以是变量
        方式二：列表生成式也可以是函数

********列表生成式可以是变量***********
a = [x * 2 for x in range(10)]
print(a)

********列表生成式也可以是函数***********
def func(n):
    return n ** 3
a = [func(x) for x in range(10)]
print(a)
print(type(a))

1.2 生成器

1.2.1 定义

    生成器就是一个可迭代对象(Iterator)
    什么是可迭代对象：对象拥有"iter()"方法的成为可迭代对象

1.2.2 生成器出现的原因

     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。

1.2.3 generator创建（方式一）

通过小括号生成（把一个列表生成式的[]改成()，就创建了一个generator
(next(a)) # 等价于a.next()

a = (x * 2 for x in range(10))

# print(a.__next__())
print(next(a))  # 等价于a.__next__()

a = (x * 2 for x in range(10))
for i in a:
    print(i)

1.2.4 generator创建（方式二）

    通过yield实现在单线程的情况下实现并发运算的效果

def foo():
    print('ok')
    yield 1

    print('ok2')
    yield 2

    return None

# print(foo()) # <generator object foo at 0x000001CAA7430E60>
# print(foo)   # <function foo at 0x000001CAA7312E18>
# next(foo())  # ok

# for i in foo():
#     print(i)

def fibo(max):
    n, before, after = 0, 0, 1
    while n < max:
        print(after)
        before, after = after, before + after
        n = n + 1

fibo(10)

吃包子的方式

import time

# 吃包子
def consumer(name):
    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))


# 做包子
def producer(name):
    c = consumer('A')
    c2 = consumer('B')
    c.__next__()
    c2.__next__()
    print("allure开始准备做包子啦!")
    for i in range(10):
        time.sleep(1)
        print("做了2个包子!")
        c.send(i)
        c2.send(i)

producer("allure")

1.3 迭代器

1.3.1 定义（满足迭代器协议）

    （1）内部有next方法
    （2）内部有iter()方法
    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：

from collections import Iterable
print(isinstance([], Iterable)) # True

print(isinstance({}, Iterable)) # True

print(isinstance('abc', Iterable)) # True

print(isinstance((x for x in range(10)), Iterable)) # True

print(isinstance(100, Iterable)) # 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。

可以使用isinstance()判断一个对象是否是Iterator对象：

    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。

1.4 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

for x in [1, 2, 3, 4, 5]:
    pass

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)
    except StopIteration:
        # 遇到StopIteration就退出循环
        break