装饰器：
定义：本质是函数，（装饰其他函数）就是为其他函数添加附加功能
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
实现装饰器知识储备：
1.函数即“变量”
import time
def timmer(func):
def warpper(*args,**kwargs):
start_time=time.time()
func()
stop_time=time.time()
print('the func run time is %s'%(stop_time-start_time))
return warpper @timmer
def test1():
time.sleep(3)
print("in the test1") test1()
decorator_
# def foo():
# print("in the foo")
# bar()
# foo() # def foo():
# print("in the foo")
# bar()
# def bar():
# print("in the bar")
# foo() def foo():
print("in the foo")
bar()
foo()
def bar():
print("in the bar")
decorator1
x=1 x相当于门牌号，python解释器中有引用计数，y=x，相当于1所在的房间有两个门牌号，当没有门牌号时，python就会把房间清空掉。函数的回收机制和变量一样。
函数和变量都是先定义再调用，在调用之前定义好了就OK
2.高阶函数
满足以下其中一个就是高阶函数
①：把一个函数名当做实参传给另外一个函数（在不修改被装饰函数源代码的情况下为其添加功能）
import time
def bar():
time.sleep(3)
print("in the bar")
def test1(func):
start_time=time.time()
func() # run bar
stop_time = time.time()
print("the func time is %s"%(stop_time-start_time)) test1(bar)
test1
②：返回值中包含函数名（不修改函数的调用方式）
import time
def bar():
time.sleep(3)
print("in the bar")
def test2(func):
print(func)
return func #print(test2(bar))
# t=test2(bar)
# t() #run bar
bar=test2(bar)
bar()
test2
3.嵌套函数
def foo():
print('in the foo')
def bar(): #相当于局部变量，不能在外边调用
print('in the bar') bar()
foo()
decorator3
高阶函数+嵌套函数 =》装饰器
局部作用域和全局作用域的访问顺序（从里往外找）
x=0
def grandpa():
# x=1
def dad():
x=2
def son():
x=3
print(x)
son()
dad()
grandpa()
装饰器1
import time
# def deco(func):
# start_time=time.time()
# return func #返回函数的内存地址
# stop_time=time.time()
# print('the func run time is %s' % (stop_time - start_time))
def timer(func): #timer(test1) func=test1()
def deco(*args,**kwargs): #加上非固定参数*args,**kwargs才通用
start_time=time.time()
func(*args,**kwargs) #run test1()
stop_time=time.time()
print('the func run time is %s' % (stop_time - start_time))
return deco # def timer():
# def deco():
# pass #仿照这个格式
@timer #test1=timer(test1) =deco
def test1():
time.sleep(1)
print('in the test1')
@timer
def test2(naem,age):
time.sleep(1)
print('in the test2') #test1=timer(test1)
test1() #-->run deco
test2("jyh",24)
decorator4
装饰器2
import time
user,passwd='alex','abc123'
def auth(auth_type):
print("auth func:",auth_type)
def outer_wrapper(func):
def wrapper(*args, **kwargs):
print("warpper func args:",*args, **kwargs)
if auth_type=="local":
username = input('Username:').strip()
password = input('Password:').strip()
if user == username and passwd == password:
print("\033[32;1mUser has passed authentication\033[0m")
res = func(*args, **kwargs) # from home
print("---after authentication")
return res
else:
exit('"\033[32;1mInwalid username or password\033[0m"')
elif auth_type=="ldap":
print("ldap,搞毛线！")
return wrapper
return outer_wrapper def index():
print("welcom to index page")
@auth(auth_type="local") #home=wrapper()
def home():
print("welcom to home page")
return "from home"
@auth(auth_type="ldap")
def bbs():
print("welcom to bbs page")
index()
print(home()) #wrapper
bbs()
decorator5
断点
import time
def timer(func): #timer(test1) func=test1()
def deco():
start_time=time.time()
func() #run test1()
stop_time=time.time()
print('the func run time is %s' % (stop_time - start_time))
return deco
@timer #test1=timer(test1)
def test1():
time.sleep(3)
print('in the test1')
test1() #-->run deco
decorator5
列表生成式
生成器
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。
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：
生成器：只有在调用时才会生成相应的数据。
只记录当前位置
只有一个__next__()方法。 "next()" in python2.x
斐波拉契
def fib(max): #
n, a, b = 0, 0, 1
while n < max:
#print(b)
yield b #生成器
a, b = b, a + b
n = n + 1
return 'done' #处理异常，返回值
f=fib(10)
print(f.__next__())
print(f.__next__())
print(f.__next__())
print(f.__next__())
# 注意，赋值语句：
# a, b = b, a + b
# 相当于：
# t = (b, a + b) # t是一个tuple
# a = t[0]
# b = t[1]
# 但不必显式写出临时变量t就可以赋值
# 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： print("===start loop===")
for i in f:
print(i)
fibna_
异常处理：
def fib(max):
n, a, b = 0, 0, 1
while n < max:
#print(b)
yield b
a, b = b, a + b
n = n + 1
return '---done---' #处理异常时返回的值
f = fib(6)
while True:
try:
x = next(f)
print('f:', x)
except StopIteration as e:
print('Generator return value:', e.value)
break
fibna_2
捕获StopIteration错误，返回值包含在StopIteration的value中。
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): #消费者
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)) # c=consumer("jyh")
# c.__next__()
# b1="韭菜馅"
# c.send(b1) #与next区别：不仅调用，还传值
# c.__next__() def producer(name): #生产者
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1个包子，分两半!")
c.send(i)
c2.send(i) producer("XXX")
#协程比线程更小的单位
#异步io， Nginx 雏形 。
bingxing
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：
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。
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：
你可能会问，为什么list、dict、str等数据类型不是Iterator？
这是因为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。
Iterator甚至可以表示一个无限大的数据流，例如全体自然数。而使用list是永远不可能存储全体自然数的。
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：
实际上完全等价于：
for line in f 也是迭代器的方式去取
内置参数
内置参数详解 https://docs.python.org/3/library/functions.html?highlight=built#ascii
#hash():
print(all([1,-5,3])) #True
print(any([0,-5,3])) #True
print(any([])) #False
#ascii()没什么用
print(bin(255)) #0b11111111 把数字十进制转二进制
print(bool(0)) #返回布尔值 a=bytes("abcd",encoding="utf-8")
print(a.capitalize(),a) #字符串不可以修改，字节更不可以修改，只能生成新的 #改二进制
b=bytearray("abcd",encoding="utf-8")
print(b[1])
b[1]=50 #ascii码中的50--->2
print(b) #可否调用
def func():
pass
print(callable([])) #False
print(callable(func)) #True print(chr(98)) #ascii码中的98--->b
print(ord("b")) # b--->ascii码中的98 #classmethod #类方法，以后讲 #compile() #基本用不到，底层，把代码进行编译的过程。
code= "for i in range(10):print(i)"
#c=compile(code,'',"exec")
exec(code)
#complex() 复数...
#delattr() 有用，面向对象的时候再讲
print(dict(a=2))#生成字典 a={}
print(dir(a))#打印字典a的所有"方法" print(divmod(5,3)) #--->(1,2) 1是商，2是余数 # enumerate()
# eval()
# exec #匿名函数
def sayhi(n):
print(n)
sayhi(3)
# (lambda n:print(n))(5)
calc=lambda n:print(n) #只能写三元运算
calc(5)
print("-----") #res=filter(lambda n:n>5,range(10)) #筛选
#res=map(lambda n:n*2,range(10))
# for i in res:
# print(i)
import functools
res=functools.reduce(lambda x,y:x+y,range(1,10))
print(res) # # float
# format()
#a=frozenset([1,4,333,212,33,33,12,4]) #不可变集合，列表
#getattr #面向对象时讲
print(globals()) #返回的是当前整个程序所有变量的key-value格式
print(hash("jyh")) #将对象转化为固定的值，对于算法，很有用，见上图。
#help()
print(hex(23))#把一个数字转化为16进制
# id()、# input()、# int()、# isinstance()、# issubclass()、#iter()、#len()
def test():
local_var=333
print(locals())
print(globals())
test()
print(globals()) #只打印全局变量
print(globals().get("local_var"))
#max(),min(),next(),object python中世间万物皆为对象，对象有属性，有功能，通过.调用
print(oct(8) ) #转8进制
# open(),ord(),print(),range()
print(pow(2,8)) # 2的8次方
# property #以后讲
#repr() #没什么用
#reversed()
print(round(1.3342,3))#保留小数点后"2"(或其他)位
#setattr 重要，后面讲
#slice 忘记吧 a={6:2,8:0,1:4,-5:6,99:11,4:22}
print(sorted(a.items())) #默认按key排序 [(-5, 6), (1, 4), (4, 22), (6, 2), (8, 0), (99, 11)]
print(sorted(a.items(),key=lambda x:x[1])) #[(8, 0), (6, 2), (1, 4), (-5, 6), (99, 11), (4, 22)]
#@staticmethod 后面讲
#sum() 求和,super() 后面讲
#vars()#返回对象的所有属性名,用不到 a=[1,2,3,4,5,6]
b=["a","b","c","d"]
for i in zip(a,b): #按个数最小的来
print(i) __import__("decorator_")#与import decorator_一样，很有用
neizhi_
Json & pickle 数据序列化
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
import json #json用于与java,c等不同语言（简单类型--列表，字典，字符串。函数不行）数据交互,取代xml
#序列化：把内存的数据对象变成字符串存到硬盘上 def sayhi(name):
print("hello,",name)
info={
"name":"jyh",
"age":24,
"func":sayhi
} f=open("test.text","w")
#print(json.dumps(info))
f.write(json.dumps(info)) #用dumps序列化
f.close()
json_xuliehua
import json
info={
"name":"jyh",
"age":24
} f=open("test.text","r")
data=json.loads(f.read()) #用load反序列化
print(data["age"])
f.close()
json_fanxuliehua
import pickle def sayhi(name):
print("hello,",name)
info={
"name":"jyh",
"age":24,
"func":sayhi
} f=open("test.text","wb")
#print(json.dumps(info))
f.write(pickle.dumps(info))
f.close()
pickle_xuliehua
import pickle
def sayhi(name):
print("hello2,",name)
info={
"name":"jyh",
"age":24,
"func":sayhi
}
f=open("test.text","rb")
data=pickle.loads(f.read())
print(data["func"]("jyh"))
f.close()
pickle_fanxuliehua
import json def sayhi(name):
print("hello,",name)
info={
"name":"jyh",
"age":24,
#"func":sayhi
} f=open("test.text","w")
f.write(json.dumps(info))
info["age"]=21
f.write(json.dumps(info))
f.close()
json_xuliehua2
import json
info={
"name":"jyh",
"age":24
} f=open("test.text","r")
data=json.load(f.read())
print(data)
f.close() #可以dump多次，load出错。所以最好dump一次，load一次
json_fanxuliehua2
import pickle def sayhi(name):
print("hello,",name)
info={
"name":"jyh",
"age":24,
"func":sayhi
} f=open("test.text","wb")
pickle.dump(info,f) #与f.write(pickle.dumps(info))一样
f.close()
pickle_xuliehua2
import pickle
def sayhi(name):
print("hello2,",name)
info={
"name":"jyh",
"age":24,
"func":sayhi
}
f=open("test.text","rb")
data=pickle.load(f) #与data=pickle.loads(f.read())一样
print(data["func"]("jyh"))
f.close()
pickle_fanxuliehua2
软件目录结构规范
"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:
- 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。
- 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:
- 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。
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*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*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
#还少一个配置文件目录(conf目录) 。
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。
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:
- 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*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*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。
atm.py
#环境变量不能写死，只能写相对路径。我们要把这个程序的绝对路径获取到，动态的加到系统的环境变量里。
# print(__file__) #当前程序的相对路径
import os
# print(os.path.abspath(__file__)) #当前程序的绝对路径
print(os.path.dirname(os.path.abspath(__file__))) #dirname返回目录名不要文件名
print(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
BASE_DIR=os.path.dirname(os.path.dirname(os.path.abspath(__file__)))
import sys
sys.path.append(BASE_DIR) #添加环境变量
from conf import settings
from core import main main.login()
atm.py
main.py
def login():
print("Welcom to my Atm")
main.py
作业需求：
模拟实现一个ATM + 购物商城程序
- 额度 15000或自定义
- 实现购物商城，买东西加入 购物车，调用信用卡接口结账
- 可以提现，手续费5%
- 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
- 支持多账户登录
- 支持账户间转账
- 记录每月日常消费流水（账单）
- 提供还款接口
- ATM记录操作日志
- 提供管理接口，包括添加账户、用户额度，冻结账户等。。。
- 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