Day04 - Python 迭代器、装饰器、软件开发规范

1. 列表生成式

实现对列表中每个数值都加一

第一种,使用for循环,取列表中的值,值加一后,添加到一空列表中,并将新列表赋值给原列表

1 >>> a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
2 >>> b = []
3 >>> for i in a:
4 ...     b.append(i + 1)
5 ... 
6 >>> a = b
7 >>> a
8 [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

第二种,使用匿名函数和map函数,并循环取值添加的另一空列表中,并将新列表赋值给原列表

1 >>> a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
2 >>> b = []
3 >>> for i in map(lambda x:x+1,a):
4 ...     b.append(i)
5 ... 
6 >>> a = b
7 >>> a
8 [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

第三种,使用列表生成式

1 >>> a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
2 >>> a = [i+1 for i in a]
3 >>> a
4 [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

 

2. 生成器

在Python中,一边循环一边计算的机制,称为生成器(generator)。

创建一个generator:

第一种方法,只要把列表生成式的 [] 改成 () ,就创建了一个generator。

1 >>> l = [x * x for x in range(10)]
2 >>> l
3 [0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
4 >>> g = (x * x for x in range(10))
5 >>> g
6 <generator object <genexpr> at 0xb7b1fc5c>

通过next()函数获得generator的下一个返回值

 1 >>> next(g)
 2 0
 3 >>> next(g)
 4 1
 5 >>> next(g)
 6 4
 7 >>> next(g)
 8 9
 9 >>> next(g)
10 16
11 >>> next(g)
12 25
13 >>> next(g)
14 36
15 >>> next(g)
16 49
17 >>> next(g)
18 64
19 >>> next(g)
20 81
21 >>> next(g)
22 Traceback (most recent call last):
23   File "<stdin>", line 1, in <module>
24 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。

generator 是可迭代对象,可以使用for循环打印 generator 的元素:

 1 >>> for i in g:
 2 ...   print(i)
 3 ... 
 4 0
 5 1
 6 4
 7 9
 8 16
 9 25
10 36
11 49
12 64
13 81

第二种方法,添加 yield 关键字。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。

generator 和函数的执行流程不一样。函数是顺序执行的,遇到 return 语句或者最后一行函数语句就返回。而 generator 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。

3. 迭代器

 

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listtupledictsetstr等;另一类是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:

 1 >>> from collections import Iterable
 2 >>> isinstance([], Iterable)
 3 True
 4 >>> isinstance({}, Iterable)
 5 True
 6 >>> isinstance('abc', Iterable)
 7 True
 8 >>> isinstance((x for x in range(10)), Iterable)
 9 True
10 >>> isinstance(100, Iterable)
11 False

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listdictstr虽然是Iterable,却不是Iterator

listdictstrIterable变成Iterator可以使用iter()函数:

1 >>> isinstance(iter([]), Iterator)
2 True
3 >>> isinstance(iter('abc'), Iterator)
4 True

 

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。

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listdictstr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:

1 for x in [1, 2, 3, 4, 5]:
2     pass

等价于:

 1 # 首先获得Iterator对象:
 2 it = iter([1, 2, 3, 4, 5])
 3 # 循环:
 4 while True:
 5     try:
 6         # 获得下一个值:
 7         x = next(it)
 8     except StopIteration:
 9         # 遇到StopIteration就退出循环
10         break

4. 装饰器

软件开发中的一个原则:“开放-封闭”原则。简单来说,它规定已经实现的功能代码不允许被修改,但可以被扩展,即:

  • 封闭:已实现的功能代码块
  • 开放:对扩展开发
装饰器本质上是一个 Python 函数,它可以让其他函数在不需要做任何代码变动的前提下增加额外功能。装饰器的返回值也是一个函数对象,它经常用于有切面需求的场景,比如:插入日志、性能测试、事务处理、缓存、权限校验等场景。装饰器是解决这类问题的绝佳设计,有了装饰器,就可以抽离出大量与函数功能本身无关的雷同代码并继续重用。概括的讲,装饰器的作用就是为已经存在的对象添加额外的功能。
1)入门示例:
第一步,写一个简单的函数:
1 #!/usr/bin/env python
2 # -*- coding:UTF-8 -*-
3 
4 
5 def myfunc():
6     print("i am myfunc ...")
7 
8 myfunc()

输出结果:

1 i am myfunc

第二步,添加打印日志的功能:

1 #!/usr/bin/env python
2 # -*- coding:UTF-8 -*-
3 
4 
5 def myfunc():
6     print("myfunc() called ...")
7     print("i am myfunc")
8 
9 myfunc()

输出结果:

1 myfunc() called ...
2 i am myfunc

好处:成功插入了日志功能

缺点:1)其他函数也有插入日志的需求,这样写就形成了大量的重复代码。

   2)违背了“开放-封闭”原则,已经实现的功能代码被修改。

为了减少重复写代码,根据“开放-封闭”原则,重新定义一个函数,用来专门处理日志。

第三步,定义一个记录日志的函数:

 1 #!/usr/bin/env python
 2 # -*- coding:UTF-8 -*-
 3 
 4 
 5 def myfunc():
 6     print("i am myfunc")
 7 
 8 
 9 # def myfunc():
10 #     print("myfunc() called ...")
11 #     print("i am myfunc")
12 
13 
14 def use_logging(func):
15     print("%s is called ..." % func.__name__)
16     func()
17 
18 use_logging(myfunc)

输出结果:

1 myfunc is called ...
2 i am myfunc

好处:

  1)符合“开放-封闭”原则

      2)减少了重复代码

缺点:改变了调用方式,破坏了原有代码的逻辑结构

第四步,使用装饰器

 1 #!/usr/bin/env python
 2 # -*- coding:UTF-8 -*-
 3 
 4 
 5 def myfunc():
 6     print("i am myfunc")
 7 
 8 
 9 def use_logging(func):
10     def wrapper(*args, **kwargs):
11         print("%s is called ..." % func.__name__)
12         func()
13     return wrapper
14 
15 myfunc = use_logging(myfunc)
16 myfunc()

输出结果:

1 myfunc is called ...
2 i am myfunc

函数 use_logging 就是装饰器,它把执行真正业务方法的 func 包裹在函数里面,看起来像 myfunc 被 use_logging 装饰了。在这个例子中,函数进入和退出时 ,被称为一个横切面(Aspect),这种编程方式被称为面向切面的编程(Aspect-Oriented Programming)。

@ 符号是装饰器的语法糖,在定义函数的时候使用,避免再一次赋值操作。

第五步,使用语法糖:

 1 #!/usr/bin/env python
 2 # -*- coding:UTF-8 -*-
 3 
 4 
 5 def use_logging(func):
 6     def wrapper(*args, **kwargs):
 7         print("%s is called ..." % func.__name__)
 8         func()
 9     return wrapper
10 
11 
12 @use_logging
13 def myfunc():
14     print("i am myfunc")
15 
16 myfunc()

输出结果:

1 myfunc is called ...
2 i am myfunc

如上所示,这样我们就可以省去 myfunc = use_logging(myfunc) 这一句了,直接调用 myfunc() 即可得到想要的结果。如果我们有其他的类似函数,我们可以继续调用装饰器来修饰函数,而不用重复修改函数或者增加新的封装。这样,我们就提高了程序的可重复利用性,并增加了程序的可读性。

装饰器在 Python 使用如此方便都要归因于 Python 的函数能像普通的对象一样能作为参数传递给其他函数,可以被赋值给其他变量,可以作为返回值,可以被定义在另外一个函数内。

2)带参数的装饰器

装饰器还有更大的灵活性,例如带参数的装饰器:在上面的装饰器调用中,比如 @use_logging,该装饰器唯一的参数就是执行业务的函数。装饰器的语法允许我们在调用时,提供其它参数,比如 @decorator(a) ,这样,就为装饰器的编写和使用提供了更大的灵活性。

 1 #!/usr/bin/env python
 2 # -*- coding:UTF-8 -*-
 3 
 4 
 5 def use_logging(level):
 6     def decorator(func):
 7         def wrapper(*args, **kwargs):
 8             if level == "warn":
 9                 print("%s is called ..." % func.__name__)
10             return func(*args)
11         return wrapper
12     return decorator
13 
14 
15 @use_logging(level="warn")
16 def myfunc(name = 'myfunc'):
17     print("i am %s" % name)
18 
19 myfunc()

输出结果:

1 myfunc is called ...
2 i am myfunc

上面的 use_logging 是允许带参数的装饰器,它实际上是对原有装饰器的一个函数封装,并返回一个装饰器。我们可以将它理解为一个含有参数的闭包。当我们使用@use_logging(level="warn") 调用的时候,Python 能够发现这一层的封装,并把参数传递到装饰器的环境中。

3)类装饰器

相比函数装饰器,类装饰器具有灵活度大、高内聚、封装性等优点。使用类装饰器还可以依靠类内部的 __call__方法,当使用 @ 形式将装饰器附加到函数上时,就会调用此方法。

 1 #!/usr/bin/env python
 2 # -*- coding:UTF-8 -*-
 3 
 4 
 5 class Logging(object):
 6     def __init__(self, func):
 7         self._func = func
 8         
 9     def __call__(self):
10         print('class decorator running')
11         self._func()
12         print('class decorator ending')
13 
14 
15 @Logging
16 def myfunc():
17     print('i am myfunc')
18 
19 myfunc()

输出结果:

1 class decorator running
2 i am myfunc
3 class decorator ending

4)functools.wraps

使用装饰器极大地复用了代码,但是他有一个缺点就是原函数的元信息不见了,比如函数的 docstring、__name__、参数列表,先看例子:

 1 #!/usr/bin/env python
 2 # -*- coding:UTF-8 -*-
 3 
 4 
 5 # 装饰器
 6 def logged(func):
 7     def with_logging(*args, **kwargs):
 8         print(func.__name__ + " was called")
 9         return func(*args, **kwargs)
10     return with_logging
11 
12 
13 # 函数
14 @logged
15 def f(x):
16     """do some math"""
17     return x + x * x
18 
19 
20 # # 上述函数完全等价于以下函数
21 # def f(x):
22 #     return x + x * x
23 # f = logged(f)
24 
25 print(f.__name__)
26 print(f.__doc__)

输出结果:

1 with_logging
2 None

这个问题是就比较严重的,好在我们有functools.wraps,wraps本身也是一个装饰器,它能把原函数的元信息拷贝到装饰器函数中,这使得装饰器函数也有和原函数一样的元信息了。

 1 #!/usr/bin/env python
 2 # -*- coding:UTF-8 -*-
 3 
 4 
 5 from functools import wraps
 6 def logged(func):
 7     @wraps(func)
 8     def with_logging(*args, **kwargs):
 9         print(func.__name__ + " was called")
10         return func(*args, **kwargs)
11     return with_logging
12 
13 
14 @logged
15 def f(x):
16     """do some math"""
17     return x + x * x
18 
19 print(f.__name__)
20 print(f.__doc__)

输出结果:

1 f
2 do some math
5)内置装饰器

@staticmathod、@classmethod、@property

装饰器的顺序
@a
@b
@c
def f ():

等效于

f = a(b(c(f)))

5. 软件目录构规范

1)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:

  1. 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。
  2. 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。

  软件开发比较偏向于后者,维护一个非常不好读的项目,虽然其实现的逻辑可能并不复杂,但是却会耗费非常长的时间去理解它想表达的意思。所以,对于提高项目可读性、可维护性的要求就很必要了。"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:

  1. 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。
  2. 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,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。

2)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。

假设你的项目名为foo, 建议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:

  1. bin/: 存放项目的一些可执行文件,当然你可以起名script/之类的也可以。
  2. 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
  3. docs/: 存放一些文档。
  4. setup.py: 安装、部署、打包的脚本。
  5. requirements.txt: 存放软件依赖的外部Python包列表。
  6. 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,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

3)关于README的内容

每个项目都应该有一个README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:

  1. 软件定位,软件的基本功能。
  2. 运行代码的方法: 安装环境、启动命令等。
  3. 简要的使用说明。
  4. 代码目录结构说明,更详细点可以说明软件的基本原理。
  5. 常见问题说明。

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。

4)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。

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:

  1. 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。
  2. 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。
  3. 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。
  4. 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:

  1. 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。
  2. 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

 

5)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:

  1. 配置文件写在一个或多个python文件中,比如此处的conf.py。
  2. 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。

对这种做法不太赞同:

  1. 这让单元测试变得困难(因为模块内部依赖了外部配置)
  2. 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。
  3. 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,更好的配置的使用方式是,

  1. 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。
  2. 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。

 

5.本节作业

作业需求:

模拟实现一个ATM + 购物商城程序

  1. 额度 15000或自定义
  2. 实现购物商城,买东西加入 购物车,调用信用卡接口结账
  3. 可以提现,手续费5%
  4. 每月22号出账单,每月10号为还款日,过期未还,按欠款总额 万分之5 每日计息
  5. 支持多账户登录
  6. 支持账户间转账
  7. 记录每月日常消费流水
  8. 提供还款接口
  9. ATM记录操作日志 
  10. 提供管理接口,包括添加账户、用户额度,冻结账户等。。。
  11. 用户认证用装饰器

示例代码 https://github.com/triaquae/py_training/tree/master/sample_code/day5-atm

posted @ 2016-11-11 14:46  R.U.Ready  阅读(534)  评论(0编辑  收藏  举报