装饰器：
首先来认识一下python函数，
定义：本质是函数（功能是装饰其它函数），为其它函数添加附件功能
原则：
1、不能修改被装饰的函数的源代码。
2、不能修改被装饰的函数的调用方式。
1 def test(): 2 print(‘test‘) 3 print(test ) #表示是函数 4 test() #表示执行foo函数
<function test at 0x00595660>#表示的是函数的内存地址
test#函数test执行结果
简单的装饰器：
1 def func(args):#test1和test2作为一个函数的地址首先都传到这里
2 def inner():#inner只是一个内存地址，将test1和test2找到
3 print("功能已经添加!")#每次都会首先执行这里
4 args()#args在这了执行，其实就是把test1和test2的内存地址执行，也就等于执行了test1和test2
5 return inner
6
7 @func
8 def test1():
9 print("test1")
10 @func
11 def test2():
12 print("test2")
13 test1()
14 test2()
一个参数(debug执行顺序)：
1 def outer(func):#（1）
2 def inner(args):#（2）（4）
3 print("验证")#（5）
4 return func(args)#（6）
5 return inner#（3）
6 @outer#（7）
7 def f1(args):#
8 print("f1")#（8）
验证
f1
两个参数：
1 def outer(func):
2 def inner(args,kwargs):
3 print("验证")
4 return func(args,kwargs)
5 return inner
6 @outer
7 def f1(args,kwargs):
8 print("f1")
三个参数：
1 def outer(func):
2 def inner(args,kwargs):
3 print("验证")
4 return func(args,kwargs,kwargs_1)
5 return inner
6 @outer
7 def f1(args,kwargs,kwargs_1):
8 print("f1")
终极装饰器
1 #!/usr/bin/env python
2 import time
3 user,passwd = "leihaidong","abc123"
4 def auth(auth_type):
5 print("auth func",auth_type)
6 def outer_wrapper(func):
7 def wrapper(*args,**kwargs):
8 if auth_type == "local":
9 username = input("username:")
10 password = input("password:")
11 if user == username and passwd ==password:
12 print("user has passed authentication")
13 res = func(*args,**kwargs)#frme home
14 print("after authenticaion")
15 return res
16 else:
17 exit("用户名或密码错误")
18 elif auth_type == "ldap":
19 print("ldap登陆")
20 return wrapper
21 return outer_wrapper
22
23
24 def index():
25 print("主页")
26
27 @auth(auth_type="local")#home = wrapper()
28 def home():
29 print("欢迎来到登陆用户页")
30 return "from home"
31
32 @auth(auth_type="ldap")
33 def bbs():
34 print("欢迎来到bbs页")
35
36 index()
37 print(home())#wrapper()
38 bbs()
二、 json和pickle
json：
1、json：用于字符串和python数据类型之间转换
1 data = {"中国":"北京","海淀":"五道口"}
2 f = open("test.txt","w",encoding="utf-8")
3 # f.write(data)#不可以这样直接将data这个字典存入文件
4 f.write(str(data))#这样才是正确的
5 f.close()
1 data = {"中国":"北京","海淀":"五道口"}
2 f = open("test.txt","r",encoding="utf-8")
3 ret = f.read()
4 f.close()
5 print(ret,type(ret))#如果是这样取出来的话，看似是字典，可它确实是字符串格式，靠，这怎么取出来呢，于是我想到了一个办法
6 {‘海淀‘: ‘五道口‘, ‘中国‘: ‘北京‘} <class ‘str‘>
data = {"中国":"北京","海淀":"五道口"}
f = open("test.txt","r",encoding="utf-8")
ret = eval(f.read())
f.close()
print(ret,type(ret))#这下取出来他变成了字典，这样就好取值了
{‘中国‘: ‘北京‘, ‘海淀‘: ‘五道口‘} <class ‘dict‘>
上面的方法太low了，于是我想到了json
json.dumps（序列化，简单点说就是将原来数据类型转换成字符串的格式写入文件）
1 import json
2 info = {"name":"haha", "age":33}
3 with open("test.txt","w")as f:
4 f.write( json.dumps(info) )#将info这个信息存入文件
json.loads（反序列化，存入文件的类似某种书写格式的文件内容读成原来文件类型）
import json
info = {"name":"haha", "age":33}
with open("test.txt","r")as f:
data = json.loads(f.read())
print(data,type(data))
pickle（功能强大，但只能在python上用）(pickle可以把原来数据类型中的汉字也写进去，但是json不知道行不行)：
1、序列化（dumps）
1 import pickle
2 info = {"name":"haha", "age":33}
3 with open("test.txt","wb")as f:#因为它写入的是二进制，所以要用wb
4 # print( pickle.dumps(info))
5 f.write(pickle.dumps(info))
2、反序列化（loads）
1 import pickle
2 info = {"name":"haha", "age":33}
3 with open("test.txt","rb")as f:#因为你写入的是二进制，所以读取时候也需要用二进制读出来
4 data = pickle.loads(f.read())
5 print(data)
三、生成器和迭代器
1、生成器
来源：如果我有一个很大的列表或者字典，要创建几十万或者几百万的数据，如果使用列表创建方法，但是我每次只用里面几个值，那我的CPU和内存岂不是被这些数据撑死。耗时长不说还降低了效率，还影响其它业务正常使用。
解决办法：那如果我要哪个就创建哪个，这样是不是就省去了很多时间，也提高了效率。生成器（gennerate）
#简单的创建方法，循环十次，每次这个次数相乘 a = [x * x for x in range(10)]#用的是列表的方法[] print(a,type(a)) b = (x * x for x in range(10))#这里用的是看似tuple的方法() print(b,type(b)) [0, 1, 4, 9, 16, 25, 36, 49, 64, 81] <class ‘list‘>#a已经生成了所有的值 <generator object <genexpr> at 0x01F21480> <class ‘generator‘>#但是生成器只是创建了，但是它里面可还没算出来具体的某个值，只有用的时候才 生成
1 b = (x * x for x in range(10))#它用next方法读取，但是这样有点low，效率也不高 2 print(b.__next__()) 3 print(b.__next__()) 4 print(b.__next__()) 5 print(b.__next__())
generrator是一个算法，每次调用下一个元素的时候才生成，知道没有下一个元素就抛出一个异常StopIteration
1 #用函数推算斐波那契数(后面的数等于它前面两个数的和) 2 def fib(max): 3 n, a, b = 0, 0, 1 4 while n < max: 5 print(b) 6 a, b = b, a + b 7 n = n + 1 8 return ‘done‘ 9 fib(10) 10 注意： 11 n是次数fib（10）就是10次 12 a,b = b,a+b 13 可以把上面写成 14 t = b,a+b 15 a = t[0] 16 b=t[1]
1
1
2
3
5
8
13
21
34
55
#然而并没有卵用，但是这要加上一个字符它就变成了generator
1 def fib(max): 2 n, a, b = 0, 0, 1 3 while n < max: 4 yield b 5 a, b = b, a + b 6 n = n + 1 7 return ‘done‘ 8 print(fib(10)) 9 #<generator object fib at 0x01171480>上面看似是一个函数，但是里面加上了yield就是generator
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。
1 def fib(max):
2 n, a, b = 0, 0, 1
3 while n < max:
4 yield b
5 a, b = b, a + b
6 n = n + 1
7 data = fib(10)
8 print(data)
9
10 print(data.__next__())
11 print(data.__next__())
12 print("停止一下")
13 print(data.__next__())
14 print(data.__next__())
15 print(data.__next__())
16 print(data.__next__())
17 print(data.__next__())
18
19 <generator object fib at 0x01982630>
20 1
21 1
22 停止一下
23 2
24 3
25 5
26 8
27 13
还可以用yield实现单线程下并发运算的效果
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("我要开始准备做包子啦!")
for i in range(10):
time.sleep(1)
print("做了2个包子!")
c.send(i)
c2.send(i)
producer("alex")
1 奥巴马 准备吃包子啦! 2 A 准备吃包子啦! 3 B 准备吃包子啦! 4 老子开始准备做包子啦! 5 做了1个包子,分两半! 6 包子[0]来了,被[A]吃了! 7 包子[0]来了,被[B]吃了! 8 做了1个包子,分两半! 9 包子[1]来了,被[A]吃了! 10 包子[1]来了,被[B]吃了! 11 做了1个包子,分两半! 12 包子[2]来了,被[A]吃了! 13 包子[2]来了,被[B]吃了! 14 做了1个包子,分两半! 15 包子[3]来了,被[A]吃了! 16 包子[3]来了,被[B]吃了! 17 做了1个包子,分两半! 18 包子[4]来了,被[A]吃了! 19 包子[4]来了,被[B]吃了! 20 做了1个包子,分两半! 21 包子[5]来了,被[A]吃了! 22 包子[5]来了,被[B]吃了! 23 做了1个包子,分两半! 24 包子[6]来了,被[A]吃了! 25 包子[6]来了,被[B]吃了! 26 做了1个包子,分两半! 27 包子[7]来了,被[A]吃了! 28 包子[7]来了,被[B]吃了! 29 做了1个包子,分两半! 30 包子[8]来了,被[A]吃了! 31 包子[8]来了,被[B]吃了! 32 做了1个包子,分两半! 33 包子[9]来了,被[A]吃了! 34 包子[9]来了,被[B]吃了!
2、迭代器
可迭代其实基本理解就是可循环的。
一类：dict、tuple、list、str、set
一类：gennerator，就是生成器或者是带有yield的函数
上面两类虽然是可迭代对象，但是不是迭代器
那怎么才能知道一个对象是不是可迭代呢？
from collections import Iterable
print(isinstance([], Iterable))
print(isinstance({}, Iterable))
True
True#True代表是可迭代对象
1 小结 2 3 凡是可作用于for循环的对象都是Iterable类型； 4 5 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； 6 7 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。
我们看看怎么简单的捕捉迭代器的异常
# 首先获得Iterator对象:
it = iter([1, 2, 3, 4, 5])#it其实就是一个迭代器iter
# 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
四、内置方法
更多详细：
https://docs.python.org/3/library/functions.html?highlight=built#ascii
五、软件目录规范
1、提高代码的可阅读性
2、提高代码的可维护性
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。
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README的内容
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。
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。