Python学习-05--装饰器（迭代器、生成器）

---恢复内容开始---

上节回顾：

编码：Python3中默认的是unicode，Python2中默认的是ASCII

区分：局部变量和全局变量

递归的特点：

　　1）规模减少

　　2）明确结束条件

　　3）效率低

函数式编程，不会有副作用，传递什么值就会有什么结果。

本节内容：

1、迭代器和生成器

2、装饰器

3、Json和Pickle序列化

4、软件目录结构规范

5、作业：ATM

1、迭代器&生成器

 

迭代器

迭代器是访问集合元素的一种方式。迭代器对象从集合的第一个元素开始访问，直到所有的元素被访问完结束。迭代器只能往前不会后退，不过这也没什么，因为人们很少在迭代途中往后退。另外，迭代器的一大优点是不要求事先准备好整个迭代过程中所有的元素。迭代器仅仅在迭代到某个元素时才计算该元素，而在这之前或之后，元素可以不存在或者被销毁。这个特点使得它特别适合用于遍历一些巨大的或是无限的集合，比如几个G的文件

特点：

1. 访问者不需要关心迭代器内部的结构，仅需通过next()方法不断去取下一个内容
2. 不能随机访问集合中的某个值 ，只能从头到尾依次访问
3. 访问到一半时不能往回退
4. 便于循环比较大的数据集合，节省内存

生成器generator

 

我现在有个需求，看列表[0, 1, 2, 3, 4, 5, 6, 7, 8, 9],我要求你把列表里的每个值加1，你怎么实现？你可能会想到2种方式:

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

 

a=[0,1,2,3,4,5,6,7,8,9]
for index,i in enumerate(a):
    a[index] +=1
print(a)

 

a = [i+1 for i in range(10)]#列表生成式
print(a)

列表生成式的作用：代码更加的简洁

通过列表生成式，我们可以直接创建一个列表。但是，受到内存限制，列表容量肯定是有限的。而且，创建一个包含100万个元素的列表，不仅占用很大的存储空间，如果我们仅仅需要访问前面几个元素，那后面绝大多数元素占用的空间都白白浪费了。所以，如果列表元素可以按照某种算法推算出来，那我们是否可以在循环的过程中不断推算出后续的元素呢？这样就不必创建完整的list，从而节省大量的空间。在Python中，这种一边循环一边计算的机制，称为生成器：generator。

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。

比如，著名的斐波拉契数列（Fibonacci），除第一个和第二个数外，任意一个数都可由前两个数相加得到：1, 1, 2, 3, 5, 8, 13, 21, 34, ...

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 (元祖格式)

        n = n + 1

    return (“done”)

定义：一个函数调用时返回一个迭代器，那这个函数就叫做生成器（generator），如果函数中包含yield语法，那这个函数就会变成生成器 。

def cash_out(amount):
    while amount >0:
        amount -= 1
        yield 1
        print("擦，又来取钱了。。。败家子！")



ATM = cash_out(5)
print("--------------------")
print("取到钱 %s 万" % ATM.__next__())
print("花掉花掉!")
print("取到钱 %s 万" % ATM.__next__())
print("取到钱 %s 万" % ATM.__next__())
print("花掉花掉!")
print("取到钱 %s 万" % ATM.__next__())
print("取到钱 %s 万" % ATM.__next__())
print("取到钱 %s 万" % ATM.__next__()) #到这时钱就取没了,再取就报错了
print("取到钱 %s 万" % ATM.__next__())

结果：
--------------------
取到钱 1 万
花掉花掉!
擦，又来取钱了。。。败家子！
取到钱 1 万
擦，又来取钱了。。。败家子！
取到钱 1 万
花掉花掉!
擦，又来取钱了。。。败家子！
取到钱 1 万
擦，又来取钱了。。。败家子！
取到钱 1 万
擦，又来取钱了。。。败家子！

作用：

这个yield的主要效果呢，就是可以使函数中断，并保存中断状态，中断后，代码可以继续往下执行，过一段时间还可以再重新调用这个函数，从上次yield的下一句开始执行。

另外，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("alex")

结果：
A 准备吃包子啦!
B 准备吃包子啦!
老子开始准备做包子啦!
做了2个包子!
包子[0]来了,被[A]吃了!
包子[0]来了,被[B]吃了!
做了2个包子!
包子[1]来了,被[A]吃了!
包子[1]来了,被[B]吃了!
做了2个包子!
包子[2]来了,被[A]吃了!
包子[2]来了,被[B]吃了!
做了2个包子!
包子[3]来了,被[A]吃了!
包子[3]来了,被[B]吃了!
做了2个包子!
包子[4]来了,被[A]吃了!
包子[4]来了,被[B]吃了!
做了2个包子!
包子[5]来了,被[A]吃了!
包子[5]来了,被[B]吃了!
做了2个包子!
包子[6]来了,被[A]吃了!
包子[6]来了,被[B]吃了!
做了2个包子!
包子[7]来了,被[A]吃了!
包子[7]来了,被[B]吃了!
做了2个包子!
包子[8]来了,被[A]吃了!
包子[8]来了,被[B]吃了!
做了2个包子!
包子[9]来了,被[A]吃了!
包子[9]来了,被[B]吃了!


来源alex

 

2、装饰器

参考：1）（http://www.cnblogs.com/wupeiqi/articles/4980620.html （参考银角大王的博客））

　　　 2）http://egon09.blog.51cto.com/9161406/1836763

2.1:函数调用顺序：其他高级语言类似,Python 不允许在函数未声明之前,对其进行引用或者调用
错误示范：

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

def foo():
    print 'foo'
    bar()
foo()
def bar():
    print 'bar'
     
（错误）

正确示范:(注意，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)

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

2.2：高阶函数

满足下列条件之一就可成函数为高阶函数

1. 某一函数当做参数传入另一个函数中

2. 函数的返回值包含n个函数,n>0 

高阶函数示范：

def bar():
    print 'in the bar'
def foo(func):
    res=func()
    return res
foo(bar)

高阶函数的牛逼之处：

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()

2.3：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()

上述例子，答案是3，函数是如何执行的？ 

局部变量修改对全局变量的影响。（修改办法，global）

y=10
def test():
    global y
    y=2
    print(y)

test()
print(y)
def dad():
    m=1
    def son():
        n=2
        print ('--->',m + n)
    print( '-->',m)
    son()
dad()

结果：
2
2
--> 1 #注意先执行的是那句
---> 3

2.4：闭包：如果在一个内部函数里，对在外部作用域(但不是在全局作用域）的变量进行引用，那么内部函数就被认为是 closure

def counter(start_num=0):
    count=[start_num]
    def incr():
        count[0]+=1
        return count[0]
    return incr

print(counter())
print(counter())
print(counter())

c=counter()
print(c())
print(c())

 结果：
<function counter.<locals>.incr at 0x00000000021CF730>
<function counter.<locals>.incr at 0x00000000021CF730>
<function counter.<locals>.incr at 0x00000000021CF730>
1
2

2.5装饰器

内嵌函数+高阶函数+闭包=》装饰器

Python中：

 

装饰器的定义：本质上就是函数，就是用def语法来定义。功能就是装饰其它函数的，为其它函数添加附加功能。 

正在线上执行的程序，如果新增功能：怎么办？

装饰器原则：

1、不能修改被修饰函数的源代码

2、不能修改被装饰的函数的调用方式。 

总结：装饰器对待被修饰的函数来说，是完全透明的。（没有修改我的源代码，还在正常运行。）

预热两个范例:

范例一：函数参数固定

import time
def decorartor(func):
    def wrapper(n):
        start_time=time.time()
        func(n)
        stop_time=time.time()
        print('The func run time is %s'%(stop_time-start_time))
    return wrapper
def test(n):
    time.sleep(3)
    print("in the test arg is %s" %n)

decorartor(test)('ajun')

结果：
in the test arg is ajun
The func run time is 3.000171422958374

范例二：函数参数不固定

import time
def decorartor(func):
    def wrapper(*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 wrapper
def test(n,x=1):
    time.sleep(3)
    print("in the test arg is %s" %n)

decorartor(test)('ajun',x=2)

结果：
in the test arg is ajun
The func run time is 3.0001718997955322

必备知识：

#### 第一波 ####
def foo():
    print("foo")
 
foo    #表示是函数
foo()   #表示执行foo函数

 #### 第二波 ####
def foo():
    print("foo")
foo=lambda x: x+1

foo()   # 执行下面的lambda表达式，而不再是原来的foo函数，因为函数 foo 被重新定义了

注意：lambda 是一个匿名函数

 

2.5.1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))
        return wrapper

@decorator
def test(list_test):
    for i in list_test:
        time.sleep(0.1)
        print('-'*20,i)

test(range(10))

结果：
-------------------- 0
-------------------- 1
-------------------- 2
-------------------- 3
-------------------- 4
-------------------- 5
-------------------- 6
-------------------- 7
-------------------- 8
-------------------- 9
run time is 1.0030572414398193 

2.5.2有参数的装饰器

import time
def timer(timeout=0):
    def decorator(func):
        def wrapper(*args,**kwargs):
            start=time.time()
            func(*args,**kwargs)
            stop=time.time()
            print('the 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)
test(range(10))

2.6装饰器应用案例详解

单独以f1为例：

def w1(func):
    def inner():
        # 验证1
        # 验证2
        # 验证3
        return func()
    return inner
 
@w1
def f1():
    print（f1）

当写完这段代码后（函数未被执行、未被执行、未被执行），python解释器就会从上到下解释代码，步骤如下：

1. def w1(func):  ==>将w1函数加载到内存
2. @w1

没错，从表面上看解释器仅仅会解释这两句代码，因为函数在没有被调用之前其内部代码不会被执行。

从表面上看解释器着实会执行这两句，但是 @w1 这一句代码里却有大文章，@函数名 是python的一种语法糖。

如上例@w1内部会执行一下操作：

• 执行w1函数，并将 @w1 下面的 函数 作为w1函数的参数，即：@w1 等价于 w1(f1)
  所以，内部就会去执行：
      def inner:
          #验证
          return f1()   # func是参数，此时 func 等于 f1
      return inner     # 返回的 inner，inner代表的是函数，非执行函数
  其实就是将原来的 f1 函数塞进另外一个函数中
• 将执行完的 w1 函数返回值赋值给@w1下面的函数的函数名
  w1函数的返回值是：
     def inner:
          #验证
          return 原来f1()  # 此处的 f1 表示原来的f1函数
  然后，将此返回值再重新赋值给 f1，即：
  新f1 = def inner:
              #验证
              return 原来f1() 
  所以，以后业务部门想要执行 f1 函数时，就会执行 新f1 函数，在 新f1 函数内部先执行验证，再执行原来的f1函数，然后将 原来f1 函数的返回值 返回给了业务调用者。
  如此一来， 即执行了验证的功能，又执行了原来f1函数的内容，并将原f1函数返回值 返回给业务调用着。

装饰器举例：

#闭包函数的应用——装饰器
# 装饰器他人的器具，本身可以是任意可调用对象，
# 被装饰者也可以是任意可调用对象。
# # 强调装饰器的原则：
# 1 不修改被装饰对象的源代码
# 2 不修改被装饰对象的调用方式
# 装饰器的目标：在遵循1和2的前提下，为被装饰对象添加上新功能

最初的index函数

import time
def index():
    start=time.time()#time.time()记录当前的时间
    time.sleep(3)
    print("正在访问index")
    print("程序执行时间为：%s"%(time.time()-start))
index()

给它增加计算index函数执行时间的功能？

import time
def index():
    time.sleep(3)
    print("正在访问index")
def warp(func):
    start=time.time()
    func()
    print("程序 执行时间为：%s"%(time.time()-start))
warp(index)

上述满足要求，但是修改了调用？

import time
def index():
    time.sleep(3)
    print("正在访问index")
def timmer():
    func=index
    def warp():
        start=time.time()
        func()
        print("程序 执行时间为：%s"%(time.time()-start))
    return warp
index=timmer()
index()

上述实验了要求。但是如何解压，index()有参数的问题？

import time
def timmer(func):
    def warp(*args,**kwargs):
        start = time.time()  # time.time()当前的时间戳
        func(*args,**kwargs)#index()
        stop=time.time()
        print("程序执行的时间为：%s"%(stop-start))
    return warp
@timmer#index=timmer(index)
def index(name):
    time.sleep(3)
    print("welcome %s!"%name)
@timmer#baidu=timmer(baidu)
def baidu():
    time.sleep(2)
    print("welcome baidu !")
index(name="四川信息职业技术学院")
baidu()

上述解决了有参数的问题，如何解决有返回值的问题？

import time
def timmer(func):
    def warp(*args,**kwargs):
        start = time.time()  # time.time()理论上是当前的时间
        res=func(*args,**kwargs)#index()
        stop=time.time()
        print("程序执行的时间为：%s"%(stop-start))
        return res
    return warp
@timmer
def index(name):
    time.sleep(3)
    print("welcome %s!"%name)
    return 1234567
print(index(name="四川信息职业技术学院"))
"""

如何来解决注释的问题？

import time
def timmer(func):
    def warp(*args,**kwargs):
        start = time.time()  # time.time()理论上是当前的时间
        res=func(*args,**kwargs)#index()
        stop=time.time()
        print("程序执行的时间为：%s"%(stop-start))
        return res
    return warp
@timmer
def index(name):
    time.sleep(3)
    print("welcome %s!"%name)
    return 1234567
print(help(index))

多个装饰器，那个先执行？

谁在上面，谁先执行。

 3、Json和pickle序列化

挂机，比如虚拟机的挂机，游戏的挂机?如何解决？

存到数据库中？虚拟机有数据库吗？

解决办法：

         把要存的当前状态存到文件中，返回时，读取文件。这时候就需要序列化了！序列化是存入文件用的，反序列化是读取文件用的。

import json
info = {
    'name':'jun',
    'age':22,
}
f = open("test.text","w")
print(json.dumps(info))#json序列化
f.write(json.dumps( info) )
f.close()

json支持任何语言，但是只能进行简单的数据类型

import json
def shiyan():
    print("hello ajun!")
info = {
    'name':'jun',
    'age':22,
    'func':shiyan#shiyan是内存地址
}
f = open("test.text","w")
print(json.dumps(info))#json序列化
f.write(json.dumps( info) )
f.close()

结果：
TypeError: Object of type 'function' is not JSON serializable

复杂的数据类型应该怎么办？

XML?作为一个标记式的语言，也是处理不同的数据类型交互的。这是以前的不同平台之间的数据类型交互的。

Python引入了，json 和xml功能类似。

同样，Python引入了，pickle。

pickle（）可以反序列化所有数据类型，但是只能在Python中用。但是json可以用在任何编程语言中。

import pickle
def shiyan():
    print("hello ajun!")
info = {
    'name':'jun',
    'age':22,
    'func':shiyan#shiyan是内存地址
}
f = open("test.text","wb")
print(pickle.dumps(info))#json序列化
f.write(pickle.dumps( info) )
f.close()
#注意：pickle用的是二进制，所以用wb

import pickle

def sayhi(name):
    print("hello,",name)

info = {
    'name':'alex',
    'age':22,
    'func':sayhi
}

f = open("test.text","wb")
pickle.dump(info,f)

反序列化：pickle.load()方法。

import pickle
def sayhi(name):
    print("hello2,",name)
f = open("test.text","rb")
data = pickle.load(f) #data = pickle.loads(f.read())

print(data["func"]("ajun"))

 

多次序列化如何写呢？

import json
def sayhi(name):
    print("hello,",name)
info = {
    'name':'ajun',
    'age':22,
}
f = open("test.text","w")
f.write( json.dumps( info) )
info['age'] = 21
f.write( json.dumps( info) )
f.close()

多次反序列化，如何写？

import json
f = open("test.text","r")
for line in f:
    print(json.loads(line))

反序列化，和序列化，都要一次。dump()一次，load()一次。

 

4、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:

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。

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:

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，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:

1. bin/: 存放项目的一些可执行文件，当然你可以起名script/之类的也行。
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，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:

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。

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:

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。

 

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。

这种做法我不太赞同:

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，我认为配置的使用，更好的方式是，

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。

 参考文献：http://www.cnblogs.com/alex3714/articles/5765046.html

5.本节作业（alex）

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/py3_training/tree/master/atm　

简易流程图：https://www.processon.com/view/link/589eb841e4b0999184934329 

 

---恢复内容结束---