python中如何编写代码输入多个数据并把它们放在一个列表中去_编写高质量Python代码的59个有效方法，你用过几个...

欢迎点击右上角关注小编，除了分享技术文章之外还有很多福利，私信学习资料可以领取包括不限于Python实战演练、PDF电子文档、面试集锦、学习资料等。

这个周末断断续续的阅读完了《Effective Python之编写高质量Python代码的59个有效方法》，感觉还不错，具有很大的指导价值。 下面将以最简单的方式记录这59条建议，并在大部分建议后面加上了说明和示例，文章篇幅大，请您提前备好瓜子和啤酒！1. 用Pythonic方式思考第一条：确认自己使用的Python版本
（1）有两个版本的python处于活跃状态，python2和python3
（2）有很多流行的Python运行时环境，CPython、Jython、IronPython以及PyPy等
（3）在开发项目时，应该优先考虑Python3第二条：遵循PEP风格指南
PEP8是针对Python代码格式而编订的风格指南，参考： http://www.python.org/dev/peps/pep-0008
（1）当编写Python代码时，总是应该遵循PEP8风格指南
（2）当广大Python开发者采用同一套代码风格，可以使项目更利于多人协作
（3）采用一致的风格来编写代码，可以令后续的修改工作变得更为容易第三条：了解bytes、str、与unicode的区别
（1）python2提供str个unicode,python3中修改为bytes和str，bytes为原始的8位值，str包含unicode字符，在进行编码转换时使用decode和encode方法
（2）从文件中读取二进制数据，或向其中写入二进制数据时，总应该以‘rb’或‘wb’等二进制模式来开启文件第四条：用辅助函数来取代复杂的表达式
（1）开发者很容易过度运用Python的语法特性，从而写出那种特别复杂并且难以理解的单行表达式
（2）请把复杂的表达式移入辅助函数中，如果要反复使用相同的逻辑，那更应该这么做第五条：了解切割序列的方法
（1）不要写多余的代码：当start索引为0，或end索引为序列长度时，应将其省略a[:]
（2）切片操作不会计较start与end索引是否越界，者使得我们很容易就能从序列的前端或后端开始，对其进行范围固定的切片操作，a[:20]或a[-20:]
（3）对list赋值的时候，如果使用切片操作，就会把原列表中处在相关范围内的值替换成新值，即便它们的长度不同也依然可以替换第六条：在单词切片操作内，不要同时指导start、end和step
（1）这条的目的主要是怕代码难以阅读，作者建议将其拆解为两条赋值语句，一条做范围切割，另一条做步进切割
（2）注意：使用[::-1]时会出现不符合预期的错误，看下面的例子
msg = '谢谢'print('msg:',msg)x = msg.encode('utf-8')y = x.decode('utf-8')print('y:',y)z=x[::-1].decode('utf-8')print('z:', z)
输出：

第七条：用列表推导式来取代map和filter
（1）列表推导要比内置的map和filter函数清晰，因为它无需额外编写lambda表达式
（2）字典与集合也支持推导表达式第八条：不要使用含有两个以上表达式的列表推导式第九条：用生成器表达式来改写数据量较大的列表推导式
（1）列表推导式的缺点
在推导过程中，对于输入序列中的每个值来说，可能都要创建仅含一项元素的全新列表，当输入的数据比较少时，不会出现问题，但如果输入数据非常多，那么可能会消耗大量内存，并导致程序崩溃，面对这种情况，python提供了生成器表达式，它是列表推导和生成器的一种泛化，生成器表达式在运行的时候，并不会把整个输出序列呈现出来，而是会估值为迭代器。
把实现列表推导式所用的那种写法放在一对园括号中，就构成了生成器表达式
numbers = [1,2,3,4,5,6,7,8]li = (i for i in numbers)print(li)
>>>> <generator object <genexpr> at 0x0000022E7E372228>
（2）串在一起的生成器表达式执行速度很快第十条：尽量用enumerate取代range
（1）尽量使用enumerate来改写那种将range与下表访问结合的序列遍历代码
（2）可以给enumerate提供第二个参数，以指定开始计数器时所用的值，默认为0
color = ['red','black','write','green']#range方法for i in range(len(color)): print(i,color[i])#enumrate方法for i,value in enumerate(color): print(i,value)第11条：用zip函数同时遍历两个迭代器
（1）内置的zip函数可以平行地遍历多个迭代器
（2）Python3中的zip相当于生成器，会在遍历过程中逐次产生元组，而python2中的zip则是直接把这些元组完全生成好，并一次性地返回整份列表、
（3）如果提供的迭代器长度不等，那么zip就会自动提前终止
attr = ['name','age','sex']values = ['zhangsan',18,'man']people = zip(attr,values)for p in people: print(p)第12条：不要在for和while循环后面写else块
（1）python提供了一种很多编程语言都不支持的功能，那就是在循环内部的语句块后面直接编写else块
for i in range(3): print('loop %d' %(i))else: print('else block!')

上面的写法很容易让人产生误解：如果循环没有正常执行完，那就执行else,实际上刚好相反
（2）不要再循环后面使用else，因为这种写法既不直观，又容易让人误解第13条：合理利用try/except/else/finally结构中的每个代码块
try: #执行代码except: #出现异常else: #可以缩减try中代码，再没有发生异常时执行finally: #处理释放操作2. 函数第14条：尽量用异常来表示特殊情况，而不要返回None
（1）用None这个返回值来表示特殊意义的函数，很容易使调用者犯错，因为None和0及空字符串之类的值，在表达式里都会贝评估为False
（2）函数在遇到特殊情况时应该抛出异常，而不是返回None，调用者看到该函数的文档中所描述的异常之后，应该会编写相应的代码来处理它们第15条：了解如何在闭包里使用外围作用域中的变量
（1）理解什么是闭包
闭包是一种定义在某个作用域中的函数，这种函数引用了那个作用域中的变量
（2）表达式在引用变量时，python解释器遍历各作用域的顺序：
a. 当前函数的作用域
b. 任何外围作用域（例如：包含当前函数的其他函数）
c. 包含当前代码的那个模块的作用域（也叫全局作用域）
d. 内置作用域（也即是包含len及str等函数的那个作用域）
e. 如果上卖弄这些地方都没有定义过名称相符的变量，那么就抛出NameError异常
（3）赋值操作时，python解释器规则
给变量赋值时，如果当前作用域内已经定义了这个变量，那么该变量就会具备新值，若当前作用域内没有这个变量，python则会把这次赋值视为对该变量的定义
（4）nonlocal
nonlocal的意思：给相关变量赋值的时候，应该在上层作用域中查找该变量，nomlocal的唯一限制在于，它不能延申到模块级别，这是为了防止它污染全局作用域
（5）global
global用来表示对该变量的赋值操作，将会直接修改模块作用域的那个变量第16条：考虑用生成器来改写直接返回列表的函数
参考第九条第17条：在参数上面迭代时，要多加小心
（1）函数在输入的参数上面多次迭代时要当心，如果参数是迭代对象，那么可能会导致奇怪的行为并错失某些值
看下面两个例子：
例1：
def normalize(numbers): total = sum(numbers) print('total:',total) print('numbers:',numbers) result = [] for value in numbers: percent = 100 * value / total result.append(percent) return result numbers = [15,35,80]print(normalize(numbers))
输出：

例2：将numbers换成生成器
def fun(): li = [15,35,80] for i in li: yield i print(normalize(fun()))
输出：

原因：迭代器只产生一轮结果，在抛出过StopIteration异常的迭代器或生成器上面继续迭代第二轮，是不会有结果的。
（2）python的迭代器协议，描述了容器和迭代器应该如何于iter和next内置函数、for循环及相关表达式互相配合
（3） 想判断某个值是迭代器还是容器 ，可以拿该值为参数，两次调用iter函数，若结果相同，则是迭代器，调用内置的next函数，即可令该迭代器前进一步
if iter(numbers) is iter(numbers): raise TypeError('Must supply a container')第18条：用数量可变的位置参数减少视觉杂讯
（1）在def语句中使用*args，即可令函数接收数量可变的位置参数
（2）调用函数时，可以采用*操作符，把序列中的元素当成位置参数，传给该函数
（3）对生成器使用*操作符，可能导致程序耗尽内存并崩溃，所以只有当我们能够确定输入的参数个数比较少时，才应该令函数接受*arg式的变长参数
（4） 在已经接收*args参数的函数上面继续添加位置参数 ，可能会产生难以排查的错误第19条：用关键字参数来表达可选的行为
（1）函数参数可以按位置或关键字来指定
（2）只使用位置参数来调用函数，可能会导致这些参数值的含义不够明确，而关键字参数则能够阐明每个参数的意图
（3）该函数添加新的行为时，可以使用带默认值的关键字参数，以便与原有的函数调用代码保持兼容
（4） 可选的关键字参数 总是应该以关键字形式来指定，而不应该以位置参数来指定第20条：用None和文档字符串来描述具有动态默认值的参数
import datetimeimport timedef log(msg,when=datetime.datetime.now()): print('%s:%s' %(when,msg)) log('hi,first')time.sleep(1)log('hi,second')
输出：

两次显示的时间一样，这是因为datetime.now()只执行了一次，也就是它只在函数定义的时候执行了一次，参数的默认值，会在每个模块加载进来的时候求出，而很多模块都在程序启动时加载。我们可以将上面的函数改成：
import datetimeimport timedef log(msg,when=None): """ arg when:datetime of when the message occurred """ if when is None: when=datetime.datetime.now() print('%s:%s' %(when,msg)) log('hi,first')time.sleep(1)log('hi,second')
输出：

（1）参数的默认值，只会在程序加载模块并读到本函数定义时评估一次，对于{}或[]等动态的值，这可能导致奇怪的行为
（2）对于以动态值作为实际默认值的关键字参数来说，应该把形式上的默认值写为None，并在函数的文档字符串里面描述该默认值所对应的实际行为第21条：用只能以关键字形式指定的参数来确保代码明确
（1）关键字参数能够使函数调用的意图更加明确
（2）对于各参数之间很容易混淆的函数，可以声明只能以关键字形式指定的参数，以确保调用者必须通过关键字来指定它们。对于接收多个Boolean标志的函数更应该这样做3. 类与继承第22条：尽量用辅助类来维护程序的状态，而不要用字典或元组
作者的意思是：如果我们使用字典或元组保存程序的某部分信息，但随着需求的不断变化，需要逐渐的修改之前定义好的字典或元组结构，会出现多次的嵌套，过分膨胀会导致代码出现问题，而且难以理解。遇到这样的情况，我们可以把嵌套结构重构为类。
（1）不要使用包含其他字典的字典，也不要使用过长的元组
（2）如果容器中包含简单而又不可变的数据，那么可以先使用namedtupe来表述，待稍后有需要时，再修改为完整的类
注意：namedtuple类无法指定各参数的默认值，对于可选属性比较多的数据来说，namedtuple用起来不方便
（3）保存内部状态的字典如果变得比较复杂，那就应该把这些代码拆分为多个辅组类第23条：简单的接口应该接收函数，而不是类的实例
（1）对于连接各种python组件的简单接口来说，通常应该给其直接传入函数，而不是先定义某个类，然后再传入该类的实例
（2）Python种的函数和方法可以像类那么引用，因此，它们与其他类型的对象一样，也能够放在表达式里面
（3）通过名为__call__的特殊方法，可以使类的实例能够像普通的Python函数那样得到调用第24条：以@classmethod形式的多态去通用的构建对象
在python种，不仅对象支持多态，类也支持多态
（1）在Python程序种，每个类只能有一个构造器，也就是__init__方法
（2）通过@classmethod机制，可以用一种与构造器相仿的方式来构造类的对象
（3）通过类方法机制，我们能够以更加通用的方式来构建并拼接具体的子类
下面以实现一套MapReduce流程计算文件行数为例来说明：
（1）思路

（2）上代码
import threadingimport osclass InputData: def read(self): raise NotImplementedErrorclass PathInputData(InputData): def __init__(self,path): super().__init__() self.path = path def read(self): return open(self.path).read() class worker: def __init__(self,input_data): self.input_data = input_data self.result = None def map(self): raise NotImplementedError def reduce(self): raise NotImplementedError class LineCountWorker(worker): def map(self): data = self.input_data.read() self.result = data.count('n') def reduce(self,other): self.result += other.result def generate_inputs(data_dir): for name in os.listdir(data_dir): yield PathInputData(os.path.join(data_dir,name)) def create_workers(input_list): workers = [] for input_data in input_list: workers.append(LineCountWorker(input_data)) return workers def execute(workers): threads = [threading.Thread(target=w.map) for w in workers] for thread in threads: thread.start() for thread in threads: thread.join() first,rest = workers[0],workers[1:] for worker in rest: first.reduce(worker) return first.result def mapreduce(data_dir): inputs = generate_inputs(data_dir) workers = create_workers(inputs) return execute(workers) if __name__ == "__main__": print(mapreduce('D:mapreduce_test'))MapReduce
上面的代码在拼接各种组件时显得非常费力，下面重新使用@classmethod来改进下
import threadingimport osclass InputData: def read(self): raise NotImplementedError @classmethod def generate_inputs(cls,data_dir): raise NotImplementedErrorclass PathInputData(InputData): def __init__(self,path): super().__init__() self.path = path def read(self): return open(self.path).read() @classmethod def generate_inputs(cls,data_dir): for name in os.listdir(data_dir): yield cls(os.path.join(data_dir,name)) class worker: def __init__(self,input_data): self.input_data = input_data self.result = None def map(self): raise NotImplementedError def reduce(self): raise NotImplementedError @classmethod def create_workers(cls,input_list): workers = [] for input_data in input_list: workers.append(cls(input_data)) return workers class LineCountWorker(worker): def map(self): data = self.input_data.read() self.result = data.count('n') def reduce(self,other): self.result += other.result def execute(workers): threads = [threading.Thread(target=w.map) for w in workers] for thread in threads: thread.start() for thread in threads: thread.join() first,rest = workers[0],workers[1:] for worker in rest: first.reduce(worker) return first.result def mapreduce(data_dir): inputs = PathInputData.generate_inputs(data_dir) workers = LineCountWorker.create_workers(inputs) return execute(workers) if __name__ == "__main__": print(mapreduce('D:mapreduce_test'))修改后的MapReduce
通过类方法实现多态机制，我们可以用更加通用的方式来构建并拼接具体的类第25条：用super初始化父类
如果从python2开始详细的介绍super使用方法需要很大的篇幅，这里只介绍python3中的使用方法和MRO
（1）MRO即为方法解析顺序，以标准的流程来安排超类之间的初始化顺序，深度优先，从左至右，它也保证钻石顶部那个公共基类的__init__方法只会运行一次
（2）python3中super的使用方法
python3提供了一种不带参数的super调用方法，该方式的效果与用__class__和self来调用super相同
class A(Base): def __init__(self,value): super(__class__,self).__init__(value) class A(Base): def __init__(self,value): super().__init__(value)
推荐使用上面两种方法，python3可以在方法中通过__class__变量精确的引用当前类，而Python2中则没有定义__class__方法
（3）总是应该使用内置的super函数来初始化父类第26条：只在使用Mix-in组件制作工具类时进行多重继承
python是面向对象的编程语言，它提供了一些内置的编程机制，使得开发者可以适当地实现多重继承，但是，我们应该尽量避免多重继承，若一定要使用，那就考虑编写mix-in类，mix-in是一种小型的类，它只定义了其他类可能需要提供的一套附加方法，而不定义自己的 实例属性，此外，它也不要求使用者调用自己的__init__函数
（1）能用mix-in组件实现的效果，就不要使用多重继承来做
（2）将各功能实现为可插拔的mix-in组件，然后令相关的类继承自己需要的那些组件，即可定制该类实例所具备的行为
（3）把简单的行为封装到mix-in组件里，然后就可以用多个mix-in组合出复杂的行为了第27条：多用public属性，少用private属性
python没有从语法上严格保证private字段的私密性，用简单的话来说，我们都是成年人。
个人习惯：_XXX 单下划代表protected；__XXX 双下划线开始的且不以_结尾表示private；__XXX__系统定义的属性和方法
class People: __name="zhanglin" def __init__(self): self.__age = 16 print(People.__dict__)p = People()print(p.__dict__)

会发现__name和__age属性名都发生了变化，都变成了（_类名+属性名）， 只有在__XXX这种命名方式下才会发生变化，所以以这种方式作为伪私有说明
（1）python编译器无法严格保证private字段的私密性
（2）不要盲目地将属性设为private，而是应该从一开始就做好规划，并允许子类更多地访问超类内部的api
（3）应该更多的使用protected属性，并在文档中把这些字段的合理用法告诉子类的开发者，而不是试图用private属性来限制子类访问这些字段
（4）只有当子类不受自己控制时，才可以考虑用private属性来避免名称冲突第28条：继承collections.abc以实现自定义的容器类型
collections.abc模块定义了一系列抽象基类，它们提供了每一种容器类型所应具备的常用方法，大家可以自己参考源码
__all__ = ["Awaitable", "Coroutine", "AsyncIterable", "AsyncIterator", "AsyncGenerator", "Hashable", "Iterable", "Iterator", "Generator", "Reversible", "Sized", "Container", "Callable", "Collection", "Set", "MutableSet", "Mapping", "MutableMapping", "MappingView", "KeysView", "ItemsView", "ValuesView", "Sequence", "MutableSequence", "ByteString", ]
（1）如果定制的子类比较简单，那就可以直接从Python的容器类型（如list、dict）中继承
（2）想正确实现自定义的容器类型，可能需要编写大量的特殊方法
（3）编写自制的容器类型时，可以从collections.abc模块的抽象基类中继承，那些基类能够确保我们的子类具备适当的接口及行为4. 元类及属性第29条：用纯属性取代get和set方法
（1）编写新类时，应该用简单的public属性来定义其接口，而不要手工实现set和get方法
（2）如果访问对象的某个属性，需要表现出特殊的行为，那就用@property来定义这种行为
比如下面的示例：成绩必须在0-100范围内
class Homework: def __init__(self): self.__grade = 0 @property def grade(self): return self.__grade @grade.setter def grade(self,value): if not (0<=value<=100): raise ValueError('Grade must be between 0 and 100') self.__grade = value
（3）@property方法应该遵循最小惊讶原则，而不应该产生奇怪的副作用
（4）@property方法需要执行得迅速一些，缓慢或复杂的工作，应该放在普通的方法里面
（5）@property的最大缺点在于和属性相关的方法，只能在子类里面共享，而与之无关的其他类都无法复用同一份实现代码第30条：考虑用@property来代替属性重构
作者的意思是：当我们需要迁移属性时（也就是对属性的需求发生变化的时候），我们只需要给本类添加新的功能，原来的那些调用代码都不需要改变，它在持续完善接口的过程中是一种重要的缓冲方案
（1）@property可以为现有的实例属性添加新的功能
（2）可以用@properpy来逐步完善数据模型
（3）如果@property用的太过频繁，那就应该考虑彻底重构该类并修改相关的调用代码第31条：用描述符来改写需要复用的@property方法
首先对描述符进行说明，先看下面的例子：
class Grade: def __init(self): self.__value = 0 def __get__(self, instance, instance_type): return self.__value def __set__(self, instance, value): if not (0 <= value <= 100): raise ValueError('Grade must be between 0 and 100') self.__value = value class Exam: math_grade = Grade() chinese_grade = Grade() science_grade = Grade()if __name__ == "__main__": exam = Exam() exam.math_grade = 99 exam1 = Exam() exam1.math_grade = 75 print('exam.math_grade:',exam.math_grade, 'is wrong') print('exam1.math_grade:',exam1.math_grade, 'is right')
输出：

会发现在两个Exam实例上面分别操作math_grade时，导致了错误的结果，出现这种情况的原因是因为 该math_grade属性为Exam类的实例 ，为了解决这个问题，看下面的代码
class Grade: def __init__(self): self.__value = {} def __get__(self, instance, instance_type): if instance is None: return self return self.__value.get(instance,0) def __set__(self, instance, value): if not (0 <= value <= 100): raise ValueError('Grade must be between 0 and 100') self.__value[instance] = value class Exam: math_grade = Grade() chinese_grade = Grade() science_grade = Grade()if __name__ == "__main__": exam = Exam() exam.math_grade = 99 exam1 = Exam() exam1.math_grade = 75 print('exam.math_grade:',exam.math_grade, 'is wrong') print('exam1.math_grade:',exam1.math_grade, 'is right')
输出：

上面这种实现方式很简单，而且能够正常运作，但它仍然有个问题，那就是会泄露内存，在程序的生命期内，对于传给__set__方法的每个Exam实例来说，__values字典都会保存指向该实例的一份引用，者就导致实例的引用计数无法降为0，从而使垃圾收集器无法将其收回。使用python的内置weakref模块，可解决上述问题。
class Grade: def __init(self): self.__value = weakref.WeakKeyDictionary()
（1）如果想复用@property方法及其验证机制，那么可以自己定义描述符
（2）WeakKeyDictionary可以保证描述符类不会泄露内存
（3）通过描述符协议来实现属性的获取和设置操作时，不要纠结于__getattribute__的方法具体运作细节第32条：用__getattr__、__getattribute__和__setattr__实现按需生成的属性
如果某个类定义了__getattr__，同时系统在该类对象的实例字典中又找不到待查询的属性，那么就会调用这个方法
惰性访问的概念：初次执行__getattr__的时候进行一些操作，把相关的属性加载进来，以后再访问该属性时，只需从现有的结果中获取即可
程序每次访问对象的属性时，Python系统都会调用__getattribute__，即使属性字典里面已经有了该属性，也以让会触发__getattribute__方法
（1）通过__getattr__和__setattr__，我们可以用惰性的方式来加载并保存对象的属性
（2）要理解__getattr__和__getattribute__的区别：前者只会在待访问的属性缺失时触发，，而后者则会在每次访问属性时触发
（3）如果要在__getattribute__和__setattr__方法中访问实例属性，那么应该直接通过super()来做，以避免无限递归第33条：用元类来验证子类
元类最简单的一种用途，就是验证某个类定义的是否正确，构建复杂的类体系时，我们可能需要确保类的风格协调一致，确保某些方法得到了覆写，或是确保类属性之间具备某些严格的关系。
下例判断类属性中是否含有name属性：
#验证某个类的定义是否正确class Meta(type): def __new__(meta,name,bases,class_dict): print('class_dict:',class_dict) if not class_dict.get('name',None): #判断类属性中是否含有name属性 raise AttributeError('must has name attribute') return type.__new__(meta,name,bases,class_dict) class A(metaclass=Meta): def __init__(self): self.chinese_grade = 90 self.math_grade = 99 if __name__ == '__main__': a = A()
输出：

（1）通过元类，我们可以在生成子类对象之前，先验证子类的定义是否合乎规范
（2）python系统把子类的整个class语句体处理完毕之后，就会调用其元类的__new__方法第34条：用元类来注册子类
元类还有一个用途就是在程序中自动注册类型，对于需要反向查找（reverse lookup）的场合，这种注册操作很有用
看下面的例子:对对象进行序列化和反序列化
import jsonregister = {}class Meta(type): def __new__(meta,name,bases,attr_dic): cls = type.__new__(meta,name,bases,attr_dic) print('create class in Meta:', cls) register[cls.__name__] = cls return cls class Serializable(metaclass=Meta): def __init__(self,*args): self.args = args def serialize(self): return json.dumps({'class':self.__class__.__name__, 'args':self.args}) def deserilize(self,json_data): json_dict = json.loads(json_data) classname = json_dict['class'] args = json_dict['args'] return register[classname](*args) class Point2D(Serializable): def __init__(self,x,y): super().__init__(x,y) self.x = x self.y = y def add(self): return self.x + self.y if __name__ == "__main__": p = Point2D(2,5) data = p.serialize() print('serialize_data:',data) new_point2d = p.deserilize(data) print('new_point2d:',new_point2d) print(new_point2d.add())
输出：

（1）通过元类来实现类的注册，可以确保所有子类就都不会泄露，从而避免后续的错误第35条：用元类来注解类的属性
（1）借助元类，我们可以在某个类完全定义好之前，率先修改该类的属性
（2）描述符与元类能够有效的组合起来，以便对某种行为做出修饰，或在程序运行时探查相关信息
（3）如果把元类与描述符相结合，那就可以在不使用weakref模块的前提下避免内存泄漏5. 并发与并行
并发和并行的关键区别在于能不能提速，若是并行，则总任务的执行时间会减半，若是并发，那么即使可以看似平行的方式分别执行多条路径，依然不会使总任务的执行速度得到提升，用Python语言编写并发程序，是比较容易的，通过系统调用、子进程和C语言扩展等机制，也可以用Python平行地处理一些事务，但是，要想使并发式的python代码以真正平行的方式来运行，却相当困难。
可以先阅读我之前的博客，相信会有帮组： python究竟要不要使用多线程第36条：用subprocess模块来管理子进程
在多年的发展过程中，Python演化出了多种运行子进程的方式，其中包括popen、popen2和os.exec*等，然而，对于至今的Python来说，最好且最简单的子进程管理模块，应该是内置的subprocess模块第37条：可以用线程来执行阻塞式I/O，但不要用它做平行计算
（1）因为受全局解释锁（GIL）的限制，所以多条Python线程不能在多个CPU核心上面平行地执行字节码
（2）尽管受制于GIL，但是python的多线程功能依然很有用，它可以轻松地模拟出同一时刻执行多项任务的效果
（3）通过python线程，我们可以平行地执行多个系统调用，这使得程序能够在执行阻塞式I/O操作的同时，执行一些运算操作第38条：在线程中使用Lock来防止数据竞争
class LockingCounter: def __init__(self): self.lock = threading.Lock() self.count = 0 def increment(self, offset): with self.lock: self.count += offset第39条：用Queue来协调各线程之间的工作
作者举了一个照片处理系统的例子：
需求：该系统从数码相机里面持续获取照片、调整其尺寸，并将其添加到网络相册中。
实现：使用三阶段的管线实现，需要4个自定义的deque消息队列，第一阶段获取新照片，第二阶段把下载好的照片传给缩放函数，第三阶段把缩放后的照片交给上传函数
问题：该程序虽然可以正常运行，但是每个阶段的工作函数都会有差别，这使得前一阶段可能会拖慢后一阶段的进度，从而令整条管线迟滞，后一阶段会在其循环语句中，反复查询输入队列，以求获取新的任务，而任务却迟迟未到达，这将令后一阶段陷入饥饿，会白白浪费CPU时间，效率特低
内置的queue模块的Queue类可以解决上述问题，因为其get方法会持续阻塞，直到有新的数据加入
import threadingfrom queue import Queueclass ClosableQueue(Queue): SENTINEL = object() def close(self): self.put(SENTINEL) def __iter__(self): while True: item = self.get() try: if item is self.SENTINEL: return yield item finally: self.task_done() class StoppabelWoker(threading.Thread): def __init__(self,func,in_queue,out_queue): self.func = func self.in_queue = in_queue self.out_queue = out_queue def run(self): for item in self.in_queue: result = self.func(item) self.out_queue.put(result)
（1）管线是一种优秀的任务处理方式，它可以把处理流程划分未若干个阶段，并使用多条python线程来同时执行这些任务
（2）构建并发式的管线时，要注意许多问题，其中包括：如何防止某个阶段陷入持续等待的状态之中，如何停止工作线程，以及如何防止内存膨胀等
（3）Queue类所提供的机制，可以cedilla解决上述问题，它具备阻塞式的队列操作，能够指定缓冲区的尺寸，而且还支持join方法，这使得开发者可以构建出健壮的管线第40条：考虑用协程来并发地运行多个函数
（1）协程提供了一种有效的方式，令程序看上去好像能够同时运行大量函数
（2）对于生成器内的yield表达式来说，外部代码通过send方法传给生成器的那个值就是该表达式所要具备的值
（3）协程是一种强大的工具，它可以把程序的核心逻辑，与程序同外部环境交互时所使用的代码相隔离第41条：考虑用concurrent.futures来实现真正的平行计算
参考之前的博客： 网络爬虫必备知识之concurrent.futures库6. 内置模块第42条：用functools.wrap定义函数修饰器
为了维护函数的接口，修饰之后的函数，必须保留原函数的某些标准Python属性，例如__name__和__module__，这个时候我们需要使用functools.wraps来确保修饰后函数具备正确的行为第43条：考虑以contextlib和with语句来改写可复用的try/finally代码
（1）可以用with语句来改写try/finally块中的逻辑，以提升复用程度，并使代码更加整洁
import threadinglock = threading.Lock()lock.acquier()try: print("lock is held")finally: lock.release()
可以直接使用下面的语法：
import threadinglock = threading.Lock()with lock: print("lock is held")
（2）内置的contextlib模块提供了名叫为contextmanager的修饰器，开发者只需要用它来修饰自己的函数，即可令该函数支持with语句
from contextlib import contextmanager@contextmanagerdef file_open(path): ''' file open test''' try: fp = open(path,"wb") yield fp except OSError: print("We had an error!") finally: print("Closing file") fp.close()if __name__ == "__main__": with file_open("contextlibtest.txt") as fp: fp.write("Testing context managers".encode("utf-8"))
（3）情景管理器可以通过yield语句向with语句返回一个值，此值会赋给由as关键字所指定的变量第44条：用copyreg实现可靠pickle操作
（1）内置的pickle模块，只适合用来彼此信任的程序之间，对相关对象执行序列化和反序列化操作
（2）如果用法比较复杂，那么pickle模块的功能可能就会出现问题，我们可以用内置的copyreg模块和pickle结合起来使用，以便为旧数据添加缺失的属性值、进行类的版本管理、并给序列化之后的数据提供固定的引入路径第45条：应该用datetime模块来处理本地时间，而不是time模块
（1）不要用time模块在不同时区之间进行转换
（2）如果要在不同时区之间，可靠地执行转换操作，那就应该把内置的datetime模块与开发者社区提供的pytz模块打起来使用
（3）开发者总是应该先把时间表示为UTC格式，然后对其执行各种转换操作，最后再把它转回本地时间第46条：使用内置算法和数据结构
（1）双向队列 collections.deque
（2）有序字典 dollections.OrderDict
（3）带有默认值的有序字典 collections.defaultdict
（4）堆队列（优先级队列）heapq.heap
（5）二分查找 bisect模块中的bisect_left函数等提供了高效的二分折半搜索算法
（6）与迭代器有关的工具 itertools模块第47条：在重视精度的场合，应该使用decimal
（1）decimal模块中的Decimal类默认提供28个小数位，以进行定点数字运算，还可以按照开发射所要求的精度及四舍五入第48条：学会安装由Python开发者社区所构建的模块7. 协作开发第49条：为每个函数、类和模块编写文档字符串第50条：用包来安排模块，并提供稳固的API
（1）只要把__init__.py文件放入含有其他源文件的目录里，就可以将该目录定义为包，目录中的文件，都将成为包的子模块，该包的目录下面，也可以含有其他的包
（2）把外界可见的名称，列在名为__all__的特殊属性里，即可为包提供一套明确的API第51条：为自编的模块定义根异常，以便调用者与API相隔离
意思就是单独用个模块提供各种异常API第52条：用适当的方式打破循环依赖关系
（1）调整引入顺序
（2）先引入、再配置、最后运行
只在模块中给出函数、类和常量的定义，而不要在引入的时候真正去运行那些函数
（3）动态引入：在函数或方法内部使用import语句第53条：用虚拟环境隔离项目，并重建其依赖关系
参考之前的博客： Python之用虚拟环境隔离项目，并重建依赖关系8. 部署第54条：考虑用模块级别的代码来配置不同的部署环境
（1）可以根据外部条件来决定模块的内容，例如，通过sys和os模块来查询宿主操作系统的特性，并以此来定义本模块中的相关结构第55条：通过repr字符串来输出调试信息第56条：通过unittest来测试全部代码
这个在后面会单独写篇博客对unittest单元测试模块进行详细说明第57条：考虑用pdb实现交互调试第58条：先分析性能，然后再优化
（1）优化python程序之前，一定要先分析其性能，因为python程序的性能瓶颈通常很难直接观察出来
（2）做性能分析时，应该使用cProfile模块，而不要使用profile模块，因为前者能够给出更为精确的性能分析数据第59条：用tracemalloc来掌握内存的使用及泄露情况
在Python的默认实现中，也就是Cpython中，内存管理是通过引用计数来处理的，另外，Cpython还内置了循环检测器，使得垃圾回收机制能够把那些自我引用的对象清除掉
（1）使用内置的gc模块进行查询，列出垃圾收集器当前所知道的每个对象，该方法相当笨拙
（2）python3.4提供了内置模块tracemalloc可以打印出Python系统在执行每一个分配内存操作时所具备的完整堆栈信息
文章到这里就全部结束了，感谢您这么有耐心的阅读！小编自身是一名老程序员，为大家分享一些实用的资料需要的话后台私信小编“01即可获取”点个赞再走吧谢谢