老男孩python全栈开发s4_day4(老男孩-Python3.5-S14期全栈开发)-CSDN博客

作者：赵俊发布日期：2020/08/25

三、装饰器详解

定义：装饰器本质是函数，用来装饰其他函数(为其他函数添加新功能)

原则：不能修改被装饰函数的源代码

不能修改被装饰函数的调用方式

四、装饰器应用详解

实现装饰器知识储备

1、函数即“变量”

2、高阶函数

3、嵌套函数

高阶函数 + 嵌套函数 = 装饰器

1 importtime2

4 def timmer(func): #要接收被装饰函数的内存地址

5 def warpper(*args, **kwargs): #定义新功能

6 start_time =time.time()7 func()8 stop_time =time.time()9 print("the func run time is %s" % (stop_time-start_time))10 return warpper #新定义的函数回调给源函数，利用源函数的调用来执行

13 @timmer #将被装饰函数传递给装饰器，装饰器返回值赋值给被装饰函数

14 deftest():15 time.sleep(3)16 print("ss")17

19 print(test())

五、装饰器之函数即变量

函数先定义后调用

匿名函数：

calc = lambda x : x*3

print(calc(3))

六、装饰器之高阶函数

高阶函数：

把一个函数名当做实参传递给另一个函数(在不修改被装饰函数源代码的情况下为其添加新功能)

返回值中包含函数名(不修改函数的调用方式)

七、装饰器之嵌套函数

函数的嵌套：

在一个函数里用def声明另一个函数

八、装饰器之案例剖析1

九、装饰器之案例剖析2

带参数传递的装饰器

1 importtime2

4 def timmer(func): #要接收被装饰函数的内存地址

5 def warpper(*args, **kwargs): #定义新功能

6 start_time =time.time()7 func(*args, **kwargs)8 stop_time =time.time()9 print("the func run time is %s" % (stop_time-start_time))10 return warpper #新定义的函数回调给源函数，利用源函数的调用来执行

13 @timmer #将被装饰函数传递给装饰器，装饰器返回值赋值给被装饰函数

14 deftest(name):15 time.sleep(3)16 print(name)17

19 test("hello")

十、装饰器之高潮讲解

之前的装饰器会改变被装饰函数的返回结果，不是很完善，不过可以应付90%的场景

test有返回值123，被装饰后返回值为none

1 importtime2

4 def timmer(func): #要接收被装饰函数的内存地址

5 def warpper(*args, **kwargs): #定义新功能

13 @timmer #将被装饰函数传递给装饰器，装饰器返回值赋值给被装饰函数

14 deftest(name):15 time.sleep(3)16 print(name)17 return 123

20 print(test("hello"))

不改变源函数返回值的做法

1 importtime2

4 def timmer(func): #要接收被装饰函数的内存地址

5 def warpper(*args, **kwargs): #定义新功能

6 start_time =time.time()7 res = func(*args, **kwargs) #---------修改的部分，可以不改变源函数返回值

8 stop_time =time.time()9 print("the func run time is %s" % (stop_time-start_time))10 return res #----------修改的部分，可以不改变源函数返回值

11 return warpper #新定义的函数回调给源函数，利用源函数的调用来执行

14 @timmer #将被装饰函数传递给装饰器，装饰器返回值赋值给被装饰函数

15 deftest(name):16 time.sleep(3)17 print(name)18 return 123

21 print(test("hello"))

装饰器写三层，修饰时传递参数。可以解决一个装饰器根据参数传递的不同来有选择的执行结果

十一、迭代器与生成器1

列表生成式：[i*2 for i in rang(6)]

结果:[0,2,4,6,8,10]

列表生成式创建的列表受内存限制，列表大小有限，在python中有种一边循环一边计算的机制，称为生成器

创建一个generator，有很多方法，第一种方法是把列表生成式的[]改成()就可以

如要一个个打印出来，我们可以使用__next__()函数(注意在3.0是两个下划线，2.7没有下划线)获得generator的下一个返回值，不支持a[1]和len(a)方式

斐波那契：

1 deffib(max):2 n,a,b = 0,0,1

3 while n<4 print a b n="n">

7 return "done"

9 fib(100)

a, b = b, a+b 相当于

t = (b, a+b) t是元祖

a = t[0]

b = t[1]

变成生成器只有一步之遥，把函数里的print(b)换成yield b

1 deffib(max):2 n, a, b = 0, 0, 1

3 while n <4>

5 yieldb6 a, b = b, a+b7 n = n+1

8 return "hello"

11 f = fib(100)12 print(f.__next__())13 print(f.__next__())14 print(f.__next__())

yield相当于定时器中断

这里，最难理解的就是generator和函数的执行流程不一样。函数是顺序执行，遇到return语句或者最后一行函数语句就返回。而变成generator的函数，在每次调用next()的时候执行，遇到yield语句返回，再次执行时从上次返回的yield语句处继续执行。

但是用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

1 g = fib(6)2 whileTrue:3 try:4 x =next(g)5 print('g:', x)6 exceptStopIteration as e:7 print('Generator return value:', e.value)8 break

10 g: 1

11 g: 1

12 g: 2

13 g: 3

14 g: 5

15 g: 8

16 Generator return value: done

疑难杂症记录

1、配置解释器时，无法保存，配置解释器窗口的show all里，将里面的重名的删除即可

2、调试时无法调试，提示Connection to Python debugger failed Interrupted function call: accept failed

是由于有个别文件有问题，拷贝到其他文件夹里不要放在工程根目录就可以(最终发现该文件名称为string.py,更改文件名也可以解决)

十二、迭代器与生成器2

1 importtime2

4 defconsumer(name):5 whileTrue:6 baozi = yield

7 print("%s开始吃第%s个包子了" % (name, baozi+1))8

10 defproducer(name):11 c = consumer("猪八戒")12 c1 = consumer("白骨精")13 c.__next__()14 c1.__next__()15 for i in range(10):16 time.sleep(3)17 print("------------------------")18 print("%s开始生产包子了" %name)19 c.send(i)20 c1.send(i)21

23 producer("阿里巴巴")

send在获取下一个值得效果和next的基本一致，这是send获取时给上一个yield传递一个数据

使用send注意事项

1、第一轮循环不能用send，只能用next，因为第一次send找不到上一个yield值，如果要使用必须传递一个none参数

十三、迭代器与生成器并行

可以作用于for循环的对象，list，tuple，dict，set，str，generater(包括生成器和带yield的函数)

可直接作用于for循环的对象，叫做可迭代对象Iterable

可以使用isinstance()判断一个对象是否是Iterable对象，使用时需要提前导入from collectionsimport Iterable

*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。

十四、内置方法详解1

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

十五、内置方法详解2

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

十六、Json与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

json不能序列化内存地址，pickle可以，但是序列化内存地址后，在反序列化后内存中没有了那个内存地址

十七、软件目录结构规范

目录组织方式

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 在创建包时自己创建

| |-- main.py

|-- docs/

| |-- conf.py

| |-- abc.rst

|-- setup.py

|-- requirements.txt

|-- README

简要解释一下:

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。

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。

docs/: 存放一些文档。

setup.py: 安装、部署、打包的脚本。

requirements.txt: 存放软件依赖的外部Python包列表。

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:

软件定位，软件的基本功能。

运行代码的方法: 安装环境、启动命令等。

简要的使用说明。

代码目录结构说明，更详细点可以说明软件的基本原理。

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:

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。

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。

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。

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:

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。

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:

配置文件写在一个或多个python文件中，比如此处的conf.py。

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:

这让单元测试变得困难(因为模块内部依赖了外部配置)

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。

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，

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。

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

调用其他目录文件的方法

1 importos2 importsys3

4 print(__file__) #打印文件执行的相对路径

5 print(os.path.dirname(__file__)) #往上退一个目录

6 print(os.path.dirname(os.path.dirname(__file__)))7 BASE_DIR = os.path.dirname(os.path.dirname(__file__))8 sys.path.append(BASE_DIR) #加入系统环境变量

9 from core import main

十八、本周作业

作业需求：

模拟实现一个ATM + 购物商城程序

额度 15000或自定义

实现购物商城，买东西加入购物车，调用信用卡接口结账

可以提现，手续费5%