Python自动化 【第四篇】:Python基础-装饰器 生成器 迭代器 Json & pickle

目录:

  1. 装饰器
  2. 生成器
  3. 迭代器
  4. Json & pickle 数据序列化
  5. 软件目录结构规范

1. Python装饰器

  装饰器:本质是函数,(功能是装饰其它函数)就是为其他函数添加附加功能

  原则:

    >不能修改被装饰的函数的源代码

    >不能修改被装饰的函数的调用方式

  实现装饰器知识储备:

    >函数即“变量”

    >高阶函数

      a)把一个函数名当做实参传给另外一个函数(在不修改源代码的请情况下)

      b)返回值中包含函数名(不修改函数的调用方式)

    >嵌套函数

      高阶函数+嵌套函数=》装饰器

1.1 函数的调用顺序:

  Python不允许函数在未声明之前对其进行引用或者调用

    错误案例一:

    
def foo():

    print 'in the foo'

    bar()

foo()

    错误案例二:

    
def foo():

    print 'foo'

    bar()

foo()

def bar():

    print 'bar'

  以上两个案例都会报错:NameError: global name 'bar' is not defined

    正确案例一:

    
def bar():

    print 'in the bar'

def foo():

    print 'in the foo'

    bar()

   foo()

    正确案例二:

    
def foo():

    print 'in the foo'

    bar()

def bar():

    print 'in the bar'

foo()

  (python为解释执行,函数foo在调用前已经声明了bar和foo,所以bar和foo无顺序之分)

1.2  高阶函数

  高阶函数需满足以下两个条件:

    a)某一函数当做参数传入另一函数中(在不修改源代码的请情况下)

    b)返回值中包含函数名(不修改函数的调用方式)

  高阶函数示例:

    
def bar():
    print("In the bar")
def foo(func):
    res = func()
    return res
foo(bar)

  高阶函数进阶:

    
         def foo(func):

    return func

print 'Function body is %s' %(foo(bar))

print 'Function name is %s' %(foo(bar).func_name)

foo(bar)()

#foo(bar)() 等同于bar=foo(bar)然后bar()

bar=foo(bar)

bar()

1.3 内嵌函数和变量作用域

  定义:在一个函数体内创建另外一个函数,这种函数就叫内嵌函数(基于python支持静态嵌套域)

  函数嵌套示范:

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

  局部作用域和全局作用域的访问顺序

    
x=0
def grandpa():
    # x=1
    def dad():
        x=2
        def son():
            x=3
            print x
        son()
    dad()
grandpa()

    范例一:函数参数固定

    
def decorartor(func):
    def wrapper(n):
        print
        'starting'
        func(n)
        print
        'stopping'
    return wrapper
def test(n):
    print
    'in the test arg is %s' % n
decorartor(test)('Tom')

    范例二:函数参数不固定

    
def decorartor(func):
    def wrapper(*args, **kwargs):
        print
        'starting'
        func(*args, **kwargs)
        print
        'stopping'
    return wrapper
def test(n, x=1):
    print
    'in the test arg is %s' % n
decorartor(test)('alex', x=2)

  无参装饰器

  
import time
def decorator(func):
    def wrapper(*args, **kwargs):
        start = time.time()
        func(*args, **kwargs)
        stop = time.time()
        print
        'run time is %s ' % (stop - start)
        print
        timeout
    return wrapper
@decorator
def test(list_test):
    for i in list_test:
        time.sleep(0.1)
        print
        '-' * 20, i
# decorator(test)(range(10))
test(range(10))

  有参装饰器

  
import time
def timer(timeout=0):
    def decorator(func):
        def wrapper(*args, **kwargs):
            start = time.time()
            func(*args, **kwargs)
            stop = time.time()
            print
            'run time is %s ' % (stop - start)
            print
            timeout
        return wrapper
    return decorator
@timer(2)
def test(list_test):
    for i in list_test:
        time.sleep(0.1)
        print
        '-' * 20, i
# timer(timeout=10)(test)(range(10))
test(range(10))

2. 生成器

  a = [i*2 for I in range(10)]   #列表生成式

  一边循环一边计算的机制,称为生成器:generator

  要创建一个generator,有很多种方法。

  第一种方法很简单,只要把一个列表生成式的[]改成(),就创建了一个generator:

  
>>> L = [x * x for x in range(10)]
>>> L
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
>>> g = (x * x for x in range(10))
>>> g
<generator object <genexpr> at 0x1022ef630>

  创建Lg的区别仅在于最外层的[]()L是一个list,而g是一个generator。

  如果要一个一个打印出来,可以通过next()函数获得generator的下一个返回值:

  
>>> next(g)

0

>>> next(g)

1

>>> next(g)

4

>>> next(g)

9

>>> next(g)

16

>>> next(g)

25

>>> next(g)

36

>>> next(g)

49

>>> next(g)

64

>>> next(g)

81

>>> next(g)

Traceback (most recent call last):

  File "<stdin>", line 1, in <module>

StopIteration

  generator保存的是算法,每次调用next(g),就计算出g的下一个元素的值,直到计算到最后一个元素,没有更多的元素时,抛出StopIteration的错误。

  当然,上面这种不断调用next(g)实在是太变态了,正确的方法是使用for循环,因为generator也是可迭代对象

  
>>> g = (x * x for x in range(10))
>>> for n in g:
...     print(n)
...
0
1
4
9
16
25
36
49
64
81

  所以,我们创建了一个generator后,基本上永远不会调用next(),而是通过for循环来迭代它,并且不需要关心StopIteration的错误。

  generator非常强大。如果推算的算法比较复杂,用类似列表生成式的for循环无法实现的时候,还可以用函数来实现

  斐波拉契数列用列表生成式写不出来,但是,用函数把它打印出来却很容易:

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

  上面的函数可以输出斐波那契数列的前N个数:

  
>>> fib(10)
1
1
2
3
5
8
13
21
34
55
done

  仔细观察,可以看出,fib函数实际上是定义了斐波拉契数列的推算规则,可以从第一个元素开始,推算出后续任意的元素,这种逻辑其实非常类似generator。

  也就是说,上面的函数和generator仅一步之遥。要把fib函数变成generator,只需要把print(b)改为yield b就可以了:

  
def fib(max):

    n,a,b = 0,0,1

    while n < max:

        #print(b)

        yield  b

        a,b = b,a+b

        n += 1

    return 'done'

  这就是定义generator的另一种方法。如果一个函数定义中包含yield关键字,那么这个函数就不再是一个普通函数,而是一个generator:

  
>>> f = fib(6)

>>> f

<generator object fib at 0x104feaaa0>

  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。

  
data = fib(10)

print(data)

print(data.__next__())

print(data.__next__())

print("干点别的事")

print(data.__next__())

print(data.__next__())

print(data.__next__())

print(data.__next__())

print(data.__next__())

  #输出

  
<generator object fib at 0x101be02b0>

1

1

干点别的事

2

3

5

8

13

  在上面fib的例子,我们在循环过程中不断调用yield,就会不断中断。当然要给循环设置一个条件来退出循环,不然就会产生一个无限数列出来。

  同样的,把函数改成generator后,我们基本上从来不会用next()来获取下一个返回值,而是直接使用for循环来迭代:

  
>>> for n in fib(6):

...     print(n)

...

1

1

2

3

5

8

  但用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StopIterationvalue中:

  
>>> g = fib(6)

>>> while True:

...     try:

...         x = next(g)

...         print('g:', x)

...     except StopIteration as e:

...         print('Generator return value:', e.value)

...         break

...

g: 1

g: 1

g: 2

g: 3

g: 5

g: 8

Generator return value: done

  还可通过yield实现在单线程的情况下实现并发运算的效果

  
import time
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))

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

producer("Tom")

3. 迭代器

  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
>>> isinstance([], Iterable)
True
>>> isinstance({}, Iterable)
True
>>> isinstance('abc', Iterable)
True
>>> isinstance((x for x in range(10)), Iterable)
True
>>> 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:

  
 >>> from collections import Iterator

 >>> isinstance((x for x in range(10)), Iterator)

 True

 >>> isinstance([], Iterator)

 False

 >>> isinstance({}, Iterator)

 False

 >>> isinstance('abc', Iterator)

 False

  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:

  
>>> isinstance(iter([]), Iterator)

True

>>> isinstance(iter('abc'), Iterator)

True

  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。

  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

    实际上完全等价于:

    
# 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

4. json和pickle

  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

  Python自动化 【第四篇】:Python基础-装饰器 生成器 迭代器 Json & pickle

5. 软件目录结构规范

  设计软件目录结构为了达到以下两点:

  >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。

  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

|   |-- 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。

上一篇:hibernate中Restrictions的用法


下一篇:使用脚本启动fabric时出错