代码整理工具_PyHubWeekly | 第九期：5款Python小工具，第1款提升你的代码质量-CSDN博客

本文链接：https://blog.csdn.net/weixin_42114046/article/details/112578745

PyHubWeekly推荐5款提升代码质量的Python工具：pre-commit进行代码规范检查，beets管理音乐元数据，Picard是跨平台音乐标记工具，pydantic实现数据验证，airflow用于工作流编排。这些工具覆盖从代码规范、音乐管理到工作流调度的多种场景。

摘要由CSDN通过智能技术生成

前言

PyHubWeekly每周定期更新，精选GitHub上优质的Python项目/小工具。

我把PyHubWeekly托管到了Github，感兴趣的可以搜索Github项目PyHubWeekly，如果喜欢，麻烦给个Star支持一下吧。此外，欢迎大家通过提交issue来投稿和推荐自己的项目~

本期为大家推荐GitHub上5个优质的Python项目，它们分别是：

pre-commit
beets
Picard
pydantic
airflow

下面分别来介绍一下上述5个GitHub项目。

pre-commit

Star：4k

代码规范检查是项目上线过程中必不可少的一环，在大多数情况下，我们都是把代码提交到代码库再进行静态检查。但是，为什么不从最源头把这个问题解决呢？

pre-commit是一款由Python开发的git hooks工具，它能够在合入代码，提交commit时对代码进行规范检查和格式化，这样就能够从根源上解决代码规范的问题，而不是把代码合入到代码库中再统一解决，这样不仅耗时，而且繁琐。

我们下面以Python项目中使用为例进行介绍，但是，它不仅适用于Python，它能够适用于所有编程语言。

安装

pip install pre-commit

配置文件

安装之后需要修改一下配置文件，.pre-commit-config.yaml，

repos:
-   repo: https://github.com/pre-commit/pre-commit-hooks
    rev: v2.3.0
    hooks:
    -   id: check-yaml
    -   id: end-of-file-fixer
    -   id: trailing-whitespace
-   repo: https://github.com/psf/black
    rev: 19.3b0
    hooks:
    -   id: black

使用

pre-commit install
git commit -m "Add super awesome feature"

提交commit之后就可以看到，它会用到两个工具black和flake8。black我在第七期介绍过这款工具，它是一款高效的代码格式化工具，用于修改代码格式。flake8是一款格式检查工具。

beets

Star：9.2k

beets是一款音乐收藏辅助工具，它能够让音乐收藏一劳永逸。它会对你的集合进行分类，并在此过程中自动增强其元数据。然后，它通过提供的一组工具来操作和访问你的音乐。

安装

pip install beets

具体使用教程可以查看文档。

Picard

Star：2k

Picard是一款由Python开发的跨平台音乐标记工具，它能够在Linux/Mac OS X/Windows多个平台上进行使用。

Picard支持大多数音频文件格式，能够使用音频AcoustIDs，执行CD查找和磁盘ID提交，并且具有出色的Unicode支持。

pydantic

Star：2.5k

使用过Python的应该都很清楚，Python是一种对数据类型非常弱化的一种编程语言。在编写Python程序时，你不需要去关心数据的类型。但是，这对于阅读代码和调试代码却带来了很多麻烦，因此，我们还是需要养成C++/Java那样的好习惯，应该关注数据类型。

pydantic是一款使用Python类型提示对Python项目进行数据验证和设置管理的工具。

安装

pip install -U pydantic

示例

from datetime import datetime
from typing import List, Optional
from pydantic import BaseModel

class User(BaseModel):
    id: int
    name = 'John Doe'
    signup_ts: Optional[datetime] = None
    friends: List[int] = []

external_data = {'id': '123', 'signup_ts': '2017-06-01 12:22', 'friends': [1, '2', b'3']}
user = User(**external_data)
print(user)
#> User id=123 name='John Doe' signup_ts=datetime.datetime(2017, 6, 1, 12, 22) friends=[1, 2, 3]
print(user.id)
#> 123

通过上述示例我们可以看出，通过继承pydantic中的BaseModel，能够对传入的参数进行数据类型的校验和修正，这样能够避免开发过程中难以定位的问题。