一. 包
一个含有__init__.py 文件的文件夹（将py 文件中的内容划分成不同的部分放在不同的py 文件中，在将这些py 文件放在一个文件夹中）
是模块，不做执行文件，仅做调用
m1.py 和 m2.py 和__init__.py 同层级（同在aaa文件夹下） run.py 执行文件 与aaa文件夹同层级（执行文件要调用aaa文件夹里面m1.py 和m2.py 中的变量） m1.py 文件中： def func1(): print('func1函数') m2.py 文件中 def func2(): print('func2函数') __init__.py 文件中： from aaa.m1 import func1 from aaa.m2 import func2 run.py 文件中调用： import aaa aaa.func1() aaa.func2() 总结： 在run.py 文件中import aaa 时先产生了名称空间，然后自动运行aaa文件夹下的 __init__.py 文件， 此时__init__.py 文件中已经导入了fu
nc1 和 func2 函数， 因此在run.py 文件中可以直接调用func1 和 func2函数
__init__.py 文件中绝对导入： 从包的顶级目录（aaa）开始查找
__init__.py 文件中相对导入：只能在包内使用，仅限于包内模块彼此相互引用，用点 . 代替（当前）文件夹名
例： from .m1 import func1 from ..m3 import fff 一个点代表一级目录
二. json 与 pickle模块： 解决序列化问题
序列化： 将内存中的数据类型转成另一种格式
例如：字典====》其他格式======》存在硬盘
反序列化： 将硬盘中的其他格式转回python java 等能识别的格式
例如： 硬盘中的其他格式====》读取其他格式=====》 转换回字典类型
序列化原因： 持久保存程序的运行状态
数据的跨平台应用
如何序列化： json 和 pickle
json格式 python格式
{} dict
[] list ==========》json 优点：是一种通用格式，所有编程语言都能识别（跨平台性好）
1233 int float ==========》json 缺点：不能识别所有的python类型（不能识别集合类型）
true/false True/False
null None
pickle 优点：能识别所有的python类型
pickle 缺点： 只能被python这门编程语言识别（无法跨平台交互）
例： 用json 将字典序列化存入内存 d={'name':'egon','password':123} d_json=json.dumps(d) with open('r.txt','wt','utf-8') as f: f.write(d_json) 方法二： 使用 dump() with open('r.txt','wb') as f: ==============》 json 用途：持久保存程序的运行状态 和 数据的跨平台交互 json.dump(d,f) # 将硬盘中的 json 格式转换为python中的字典 with open('r.txt','rt') as f: dic_json=f.read() dic=json.loads(dic_json) 方法二： with open('r.txt','rt') as f: d= json.load(f)
用pickle将字典序列化成其他格式存入硬盘，然后将硬盘中的内容读出，然后将其再转换为python中的字典格式
d={'name':'egon','password':123}
d_pickle=pickle.dumps(d)
with open('r.txt','wb') as f: # 只能用b模式
f.write(d_pickle)
方法二： dump()
with open('r.txt','wb') as f: =========> pickle 唯一用途将数据存入硬盘
pickle.dump(d,f)
然后将其再转换为python中的字典格式
with open('r.txt','rb') as f:
d_pickle=f.read()
d=pickle.loads(d_pickle)
方法二：
with open('r.txt','rb')
d=pickle.load(f)
