Python学习4

匿名函数:

1 没有函数名，在内存中会被回收，如果想在内存中储存，需要定义变量

# calc= lambda x:x*3
# print(calc(3))
# def sayhi(n):
#     print(n)
# sayhi(3)
# (lambda n:print(n))(5)
# hi=lambda n:print(n)
# hi(7)
res=filter(lambda n:n>5,range(10))       #filter过滤
for i in res:
    print(i)
print(res)
res=map(lambda n:n*2,range(10))       #map 相当于列表生成式[i*2 for i in range(10)]
for i in res:
    print(i)
print(res)
import functools
res= functools.reduce(lambda x,y:x+y,range(10))     #累加
print(res)

装饰器

#装饰器：本质是函数，用来（装饰其他函数），就是为其他函数添加附加功能
#原则：1.不能修改被装饰的函数的源代码
#2.不能修改被装饰函数的调用方式
#3.

def logger():
    print('logging')

def tset1():
    pass
    logger()
def tesr2():
    pass
    logger()

import time

def timmer(func):
    def warpper(*arge,**kwarge):
        start_time=time.time()
        func()
        stop_time=time.time()
        print('the func tun time is %s'%(stop_time-start_time))
    return warpper

@timmer
def test():
    time.sleep(3)
    print('in the test1')

test()

实现装饰器知识储备：

1,函数即“变量”

def bar():
    print('in the bar')
bar()
def foo():
    print('in the foo')
    bar()

foo()

def foo():
    print('in the foo')
    bar()
def bar():
    print('in the bar')

foo()

#函数先声明再调用

2.高阶函数

a: 把一个函数当做一个实参传给另一个函数（在不修改被装饰函数的情况下

为被装饰函数添加功能）

b: 返回值当中包含函数名(不改变被修饰函数的调用方式)

import time

def bar():
    time.sleep(3)
    print('in the bar')

def test1(func):
    start_time=time.time()
    func()
    stop_time=time.time()
    print('the func run the time%s'%(stop_time-start_time))

test1(bar)

import time
def bar():
    time.sleep(3)
    print('in the bar')
def test2(func):
    print(func)
    return func

#print(test2(bar))
bar=test2(bar)
bar()

嵌套函数

a,在一个函数体内声明一个函数，叫做函数嵌套

def foo():
    print('in the foo')
    def bar():
        print('in the bar')
    bar()

foo()

b, 局部作用域和全局作用域的访问顺序

在这里插入代码片x=0
def grandpa():
    x=1
    def dad():
        x=2
        def son():
            x=3
            print(x)
        son()
    dad()
grandpa()

高阶函数+嵌套函数》 装饰器

import time

def timmer(func):
    def deco(*args,**kwargs):
        start_time = time.time()
        func(*args,**kwargs)
        stop_time = time.time()
        print('the func run time is %s' % (stop_time - start_time))
    return deco

@timmer        #@timmer相当于test1=timmer(test1)
def test1():
    time.sleep(3)
    print('in the test1')

@timmer
def test2(name,age):
    time.sleep(3)
    print('test2',name,age)
#test1=timmer(test1)
#test2=timmer(test2)

test1()
test2('bml',27)

高端装饰器

user,passwd="bml","asd123"
def auth(auth_type):
    print('auth_func:',auth_type)
    def outer_wrapper(func):
        def wrapper(*args,**kwargs):
            print("wrapper func:",*args,**kwargs)
            if auth_type=='local':
                user_name=input("_user_name:")
                pass_word=input("_pass_word:")
                if user_name == user and pass_word == passwd:
                    print('\033[32;1mUser has passed authentication\033[0m')
                    res = func(*args,**kwargs)
                    return res
                else:
                    exit('\033[32;1mInvalid username or password\033[0m')
            elif auth_type=='ldap':
                print('shit!')
        return wrapper
    return outer_wrapper
def index():
    print('welcome to the index')
@auth(auth_type='local')
def home():
    print('welcome to the home')
@auth(auth_type='ldap')
def bbs():
    print('welcome to the bbs')
index()
home()
bbs()

列表生成式

a=[ i*2 for i in range(10)]    #i*2也可以是个函数func（）
print(a)

生成器

1.通过列表生成式可以创建列表，列表需要储存大量元素，占用大量内存空间，

用生成器时则不需要预先储存，调用时才生成数据

2.生成器不支持切片形式取值，只能用循环方式一个个的取值

可以用语法 .next()取下一个 ，但不能返回上一个，只记住当前位置。

b=(i*2 for i in range(10))    #列表生成式[]变（）就变成一个生成器
print(b)
for i in b :
    b.__next__()

用函数做建立生成器

斐波拉切数列函数推到

def fib(max):
    n,a,b,=0,0,1
    while n < max:
        print(b)
        a,b = b,a+b
        n=n+1
    return'done'
fib(100)

把print(b)变成yield,该函数就变成了生成器(生成器可以实现单线程并行的运行方式)

def fib(max):
    n,a,b,=0,0,1
    while n < max:
        yield b
        a,b = b,a+b
        n=n+1
    return'done'
print(fib(100))
fib_generator=fib(100)
print(fib_generator.__next__())
print(fib_generator.__next__())
print(fib_generator.__next__())

异常处理(一段代码出了一种错误，就打印一段话)

g = fib(6)
while True:
    try:
        x = next( g )
        print('g:',x)
    except StopIteration as e:
        print("Generator return value:",e.value)
        break

单线程下的生成器并行效果

import time
def consumer(name):
    print('%s 要吃包子啦'%(name))
    while True:
        包子=yield
        print('%s 包子来了，被 %s 吃了'%(name,name))
def productor(name):
    c = consumer('a')
    c2 = consumer('b')
    c.__next__()
    c2.__next__()
    print('%s开始做包子啦'%(name))
    for i in range(10):
        time.sleep(1)
        print('做了一个包子，分两半')
        c.send(i)
        c2.send(i)
productor('bml')

可直接作用于for循环的数据类型：

1.集合数据类型（如：list、tuple、dict、set、str）

2.generator,包括生成器的带yield 的generator function

3.可直接作用也for循环的对象统称为可迭代对象：Iterable

4.可以使用isinstance()判断一个对象是否是Iterable对象

5.其中生成器generator不但可以作用于for循环，

6.还可以被next（）函数不断调用并返回下一个值，

7.直到最后抛出StopIterator错误表示无法继续返回下一个值了

8.可以被next()函数调用并不断返回下一个值得对象称为迭代器：Iterator

9.生成器都是Ierator对象，但list、dict、str、虽然是Iterable，却不是Iterator

10.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

json 可进行序列化，反序列化，但只能进行简单数据类型的序列化，

并且json在所有语言中通用，并作为语言交互的工具

import json
'''
info={
    'name':'bml',
    'age':'27'
}
f=open('test.text','w')
f.write(str(info))
f.close()
'''
'''

info={
    'name':'bml',
    'age':'27'
}
f=open('test.text','w')
date=f.write(json.dumps(info))
f.close()
print(date)
'''

pickle_复杂序列化工具

序列化

import pickle
def sayhi(name):
    print('hello',name)
info={
    'name':'bml',
    'age':'27',
    'func':sayhi
}
f=open('test.text','wb')
f.write(pickle.dumps(info))
f.close()

反序列化

import pickle
def sayhi(name):
    print('hello',name)

f=open('test.text','rb')

#date= pickle.loads(f.read())
date = pickle.load(f)
print(date)

软件目录结构规范

为什么要设计好目录结构?
“设计项目目录结构”，就和"代码编码风格"一样，属于个人风格问题。对于这种风格上的规范，一直都存在两种态度:

一类同学认为，这种个人风格问题"无关紧要"。理由是能让程序work就好，风格问题根本不是问题。
另一类同学认为，规范化能更好的控制程序结构，让程序具有更高的可读性。
我是比较偏向于后者的，因为我是前一类同学思想行为下的直接受害者。我曾经维护过一个非常不好读的项目，其实现的逻辑并不复杂，但是却耗费了我非常长的时间去理解它想表达的意思。从此我个人对于提高项目可读性、可维护性的要求就很高了。"项目目录结构"其实也是属于"可读性和可维护性"的范畴，我们设计一个层次清晰的目录结构，就是为了达到以下两点:

可读性高: 不熟悉这个项目的代码的人，一眼就能看懂目录结构，知道程序启动脚本是哪个，测试目录在哪儿，配置文件在哪儿等等。从而非常快速的了解这个项目。
可维护性高: 定义好组织规则后，维护者就能很明确地知道，新增的哪个文件和代码应该放在什么目录之下。这个好处是，随着时间的推移，代码/配置的规模增加，项目结构不会混乱，仍然能够组织良好。
所以，我认为，保持一个层次清晰的目录结构是有必要的。更何况组织一个良好的工程目录，其实是一件很简单的事儿。

目录组织方式
关于如何组织一个较好的Python工程目录结构，已经有一些得到了共识的目录结构。在Stackoverflow的这个问题上，能看到大家对Python目录结构的讨论。

这里面说的已经很好了，我也不打算重新造轮子列举各种不同的方式，这里面我说一下我的理解和体会。

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
| |-- 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。

软件目录规范 摘抄自作者‘金角大王’

跨环境变量调用

import os
import sys
#print('Welcome to ATM')
#print(__file__)
#print(os.path.abspath(__file__))
#print(os.path.dirname(os.path.abspath(__file__)))
#print(os.path.dirname(os.path.dirname((os.path.abspath(__file__)))))
baes_dir=os.path.dirname(os.path.dirname((os.path.abspath(__file__))))
sys.path.append(baes_dir)

from conf import settings
from core import main

main.login()