首页»Python»改善 Python 程序的 91 个建议(三)

改善 Python 程序的 91 个建议(三)

来源:驭风者 发布时间:2017-05-17 阅读次数:

第 4 章 库

建议 41:使用 argparse 处理命令行参数

Python 标准库中有几种关于处理命令行的方案:getopt、optparse、argparse。 现阶段最好用的参数处理是argparse: import argparse parse = argparse.ArgumentParser() parse.add_argument('-o', '--output') parse.add_argument('-v', dest='verbose', action='store_true') args = parser.parse_args() 关于命令行参数,我记得有个第三方库超好用,好久贴个教程出来。

建议 42:使用 pandas 处理大型 CSV 文件

CSV 作为一种逗号分隔型值的纯文本格式文件,常用于武松娱乐数据的导入导出,数据分析中记录的存储。Python 中的 csv 模块提供了对 CSV 的支持。 列出一些常用的 API: reader(csvfile[, dialect='excel'][, fmtparam]) # 读取一个 csv 文件,返回一个 reader 对象 csv.writer(csvfile, dialect='excel', **fmtparams) # 写入 csv 文件 csv.DictWriter(csvfile, fieldnames, restval='', extrasaction='raise', dialect='excel') 当然,处理 CSV 还有更好的选择,那就是大名鼎鼎的 Pandas,它提供两种基本的数据结构:Series 和 DataFrame。这里有个 Pandas 的教程,值得一看。

建议 43:一般情况下使用 ElementTree 解析 XML

给一个较好的学习教程,下面直接看例子吧: count = 0 for event, elem in ET.iterparse('test.xml'): if event == 'end': if elem.tag == 'userid': count += 1 elem.clear() print(count)

建议 44:理解模块 pickle 优劣

pickle 是较为通用的序列化模块,其中两个主要的函数dump()和load()分别用来进行对象的序列化和反序列化:
  1. pickle.dump(obj, file[, protocol])
  2. load(file)
In [1]: import pickle In [2]: data = {'name': 'Python', 'type': 'Language', 'version': '3.5.2'} In [3]: with open('pickle.dat', 'wb') as fp: ...: pickle.dump(data, fp) ...: In [4]: with open('pickle.dat', 'rb') as fp: ...: out = pickle.load(fp) ...: print(out) ...: {'version': '3.5.2', 'name': 'Python', 'type': 'Language'} 它还有个C语言的实现 cPickle,性能较好。但 pickle 限制较多:比如不能保证原子性操作,存在安全问题,跨语言兼容性不好等。

建议 45:序列化的另一个不错的选择 JSON

这个应该不用多做介绍了吧,书中讲得比较浅,又来放链接(逃...

建议 46:使用 traceback 获取栈信息

当发生异常,开发人员往往需要看到现场信息,trackback 模块可以满足这个需求,先列几个常用的: traceback.print_exc() # 打印错误类型、值和具体的trace信息 traceback.print_exception(type, value, traceback[, limit[, file]]) # 前三个参数的值可以从sys.exc_info() raceback.print_exc([limit[, file]]) # 同上,不需要传入那么多参数 traceback.format_exc([limit]) # 同 print_exc(),返回的是字符串 traceback.extract_stack([file, [, limit]]) # 从当前栈中提取 trace 信息 traceback 模块获取异常相关的数据是通过sys.exc_info()得到的,该函数返回异常类型type、异常value、调用和堆栈信息traceback组成的元组。 同时 inspect 模块也提供了获取 traceback 对象的接口。

建议 47:使用 logging 记录日志信息

仅仅将信息输出到控制台是远远不够的,更为常见的是使用日志保存程序运行过程中的相关信息,如运行时间、描述信息以及错误或者异常发生时候的特定上下文信息。Python 提供 logging 模块提供了日志功能,将日志分为 5 个级别: Level使用情形DEBUG详细的信息,在追踪问题的时候使用INFO正常的信息WARNING一些不可预见的问题发生,或者将要发生,如磁盘空间低等,但不影响程序的运行ERROR由于某些严重的问题,程序中的一些功能受到影响CRITICAL严重的错误,或者程序本身不能够继续运行
之前完成过一个个人博客,总算对日志消息有了一定的了解。总的来说,日志消息是给程序员看的,在开发中,我们需要看到程序运行时的方方面面的情况,这时候给日志分级就派上用场,其实日志消息是由我们来决定它属于哪一种类型。
logging.basicConfig([**kwargs]) 提供对日志系统的基本配置: 格式描述filename指定 FileHandler 的文件名,而不是默认的 StreamHandlerfilemode打开文件的模式,同 open 函数中的同名参数,默认为 'a'format输出格式字符串datefmt日期格式level设置根 logger 的日志级别stream指定 StreamHandler。这个参数若与 filename 冲突,忽略 stream 下面结合 traceback 和 logging 来记录程序运行过程中的异常: import traceback import sys import logging gList = ["a", "b", "c", "d", "e", "f", "g"] logging.basicConfig( # 配置日志的输出方式及格式 level = logging.DEBUG, filename = "log.txt", filemode = "w", format = "%(asctime)s %(filename)s[line:%(lineno)d] %(levelname)s % (message)s", ) def f(): gList[5] logging.info("[INFO]:calling method g() in f()") # 记录正常的信息 return g() def g(): logging.info("[INFO]:calling method h() in g()") return h() def h(): logging.info("[INFO]:Delete element in gList in h()") del gList[2] logging.info("[INFO]:calling method i() in h()") return i() def i(): logging.info("[INFO]:Append element i to gList in i()") gList.append("i") print(gList[7]) if __name__ == "__main__": logging.debug("Information during calling f():") try: f() except IndexError as ex: print("Sorry, Exception occured, you accessed an element out of range") # traceback.print_exc() ty, tv, tb = sys.exc_info() logging.error("[ERROR]: Sorry, Exception occured, you accessed an element out of range") # 记录异常错误消息 logging.critical("object info:%s" % ex) logging.critical("Error Type:{0}, Error Information:{1}".format(ty, tv)) # 记录异常的类型和对应的值 logging.critical("".join(traceback.format_tb(tb))) # 记录具体的 trace 信息 sys.exit(1) logging 模块让我们可以很方便地控制日志信息,如loggging.disable()传入一个日志级别会禁用该级别或比级别更低的日志消息,默认是全部禁用。大致我们常用的日志记录就这些了。

建议 48:使用 threading 模块编写多线程程序

之前学习廖老师的 Python3 教程的时候,关于线程有句话记得特别清楚:
多线程的并发在Python中就是一个美丽的梦。
由于 GIL 的存在,让 Python 多线程编程在多核处理器中无法发挥优势,但在一些使用场景下使用多线程仍然比较好,如等待外部资源返回,或建立反应灵活的用户界面,或多用户程序等。 Python3 提供了两个模块:_thread和threading。_thread提供了底层的多线程支持,使用比较复杂,下面我们重点说说threading。 Python 多线程支持用两种方式来创建线程:一种通过继承 Thread 类,重写它的run()方法;另一种是创建一个 threading.Thread 对象,在它的初始化函数__init__()中将可调用对象作为参数传入。 threading模块中不仅有 Lock 指令锁,RLock 可重入指令锁,还支持条件变量 Condition、信号量 Semaphore、BoundedSemaphore 以及 Event 事件等。 下面有一个比较经典的例子来理解多线程: import threading from time import ctime,sleep def music(func): for i in range(2): print("I was listening to %s. %s" % (func,ctime())) sleep(1) # 程序休眠 1 秒 def move(func): for i in range(2): print("I was at the %s! %s" % (func,ctime())) sleep(5) threads = [] t1 = threading.Thread(target=music,args=('爱情买卖',)) threads.append(t1) t2 = threading.Thread(target=move,args=('阿凡达',)) threads.append(t2) if __name__ == '__main__': for t in threads: t.setDaemon(True) # 声明线程为守护线程 t.start() #3 print("all over %s" % ctime()) 以下是运行结果: I was listening to 爱情买卖. Tue Apr 4 17:57:02 2017 I was at the 阿凡达! Tue Apr 4 17:57:02 2017 all over Tue Apr 4 17:57:02 2017 分析:threading 模块支持线程守护,我们可以通过setDaemon()来设置线程的daemon属性,当其属性为True时,表明主线程的退出可以不用等待子线程完成,反之,daemon属性为False时所有的非守护线程结束后主线程才会结束,那运行结果为: I was listening to 爱情买卖. Tue Apr 4 18:05:26 2017 I was at the 阿凡达! Tue Apr 4 18:05:26 2017 all over Tue Apr 4 18:05:26 2017 I was listening to 爱情买卖. Tue Apr 4 18:05:27 2017 I was at the 阿凡达! Tue Apr 4 18:05:31 2017 继续修改代码,当我们在#3处加入t.join(),此方法能够阻塞当前上下文环境,直到调用该方法的线程终止或到达指定的 timeout,此时在运行程序: I was listening to 爱情买卖. Tue Apr 4 18:08:15 2017 I was at the 阿凡达! Tue Apr 4 18:08:15 2017 I was listening to 爱情买卖. Tue Apr 4 18:08:16 2017 I was at the 阿凡达! Tue Apr 4 18:08:20 2017 all over Tue Apr 4 18:08:25 2017 当我们把music函数的休眠时间改为 4 秒,再次运行程序: I was listening to 爱情买卖. Tue Apr 4 18:11:16 2017 I was at the 阿凡达! Tue Apr 4 18:11:16 2017 I was listening to 爱情买卖. Tue Apr 4 18:11:20 2017 I was at the 阿凡达! Tue Apr 4 18:11:21 2017 all over Tue Apr 4 18:11:26 2017 此时我们就可以发现多线程的威力了,music虽然增加了 3 秒,然而总的运行时间仍然为 10 秒。

建议 49:使用 Queue 使多线程编程更加安全

线程间的同步和互斥,线程间数据的共享等这些都是涉及线程安全要考虑的问题。纵然 Python 中提供了众多的同步和互斥机制,如 mutex、condition、event 等,但同步和互斥本身就不是一个容易的话题,稍有不慎就会陷入死锁状态或者威胁线程安全。 如何保证线程安全呢?我们先来看看 Python 中的 Queue 模块:
  1. Queue.Queue(maxsize):先进先出,maxsize 为队列大小,其值为非正数的时候为无限循环队列
  2. Queue.LifoQueue(maxsize):后进先出,相当于栈
  3. Queue.PriorityQueue(maxsize):优先级队列
以上队列所支持的方法:
  1. Queue.qsize():返回近似的队列大小。当该值 > 0 的时候并不保证并发执行的时候 get() 方法不被阻塞,同样,对于 put() 方法有效。
  2. Queue.empty():队列为空的时候返回 True,否则返回 False
  3. Queue.full():当设定了队列大小的情况下,如果队列满则返回 True,否则返回 False
  4. Queue.put(item[, block[, timeout]]):往队列中添加元素 item,block 设置为 False 的时候,如果队列满则抛出 Full 异常。如果 block 设置为 True,timeout 为 None 的时候则会一直等待直到有空位置,否则会根据 timeout 的设定超时后抛出 Full 异常
  5. Queue.put_nowait(item):等于 put(item, False).block 设置为 False 的时候,如果队列空则抛出 Empty 异常。如果 block 设置为 True、timeout 为 None 的时候则会一直等到有元素可用,否则会根据 timeout 的设定超时后抛出 Empty 异常
  6. Queue.get([block[, timeout]]):从队列中删除元素并返回该元素的值
  7. Queue.get_nowait():等价于 get(False)
  8. Queue.task_done():发送信号表明入列任务已经完成,经常在消费者线程中用到
  9. Queue.join():阻塞直至队列中所有的元素处理完毕
首先 Queue 中的队列和 collections.deque 所表示的队列并不一样,前者用于不同线程之间的通信,内部实现了线程的锁机制,后者是数据结构上的概念,支持 in 方法。 Queue 模块实现了多个生产者多个消费者的队列,当多线程之间需要信息安全的交换的时候特别有用,因此这个模块实现了所需要的锁原语,为 Python 多线程编程提供了有力的支持,它是线程安全的。 先来看一个简单的例子: import os import Queue import threading import urllib2 class DownloadThread(threading.Thead): def __init__(self, queue): threading.Thread.__init__(self) self.queue = queue def run(self): while True: url = self.queue.get() print('{0} begin download {1}...'.format(self.name, url)) self.download_file(url) self.queque.task_done() print('{0} download completed!!!'.format(self.name)) def download_file(self, url): urlhandler = urllib2.urlopen(url) fname = os.path.basename(url) + '.html' with open(fname, 'wb') as f: while True: chunk = urlhandler.read(1024) if not chunk: break f.write(chunk) if __name__ == '__main__': urls = ['http://wiki.python.org/moin/WebProgramming', 'https://www.createspace.com/3611970', 'http://wiki.python.org/moin/Documentation' ] queue = Queue.Queue() for i range(5): t = DownloadThread(queue) t.setDaemon(True) t.start() for url in urls: queue.put(url) queue.join()

第 5 章 设计模式

建议 50:利用模块实现单例模式

满足单例模式的 3 个需求:
  1. 只能有一个实例
  2. 必须自行创建这个实例
  3. 必须自行向整个系统提供这个实例
下面我们使用 Python 实现一个带锁的单例: class Singleton(object): objs = {} objs_locker = threading.Lock() def __new__(cls, *args, **kw): if cls in cls.objs: return cls.objs(cls) cls.objs_locker.acquire() try: if cls in cls.objs: return cls.objs(cls) cls.objs[cls] = object.__new__(cls) finally: cls.objs_locker.release() 当然这种方案也存在问题:
  1. 如果 Singleton 的子类重载了__new__(),会覆盖或干扰 Singleton 类中__new__()的执行
  2. 如果子类有__init__(),那么每次实例化该 Singleton 的时候,__init__()都会被调用,这显然是不应该的
虽然以上问题都有解决方案,但让单例的实现不够 Pythonic。我们可以重新审视 Python 的语法元素,发现模块采用的其实是天然的单例的实现方式:
  1. 所有的变量都会绑定到模块
  2. 模块只初始化一次
  3. import 机制是线程安全的,保证了在并发状态下模块也只是一个实例
# World.py import Sun def run(): while True: Sun.rise() Sun.set() # main.py import World World.run() 感觉这是最炫酷的单例模式。

建议 51:用 mixin 模式让程序更加灵活

模板方法模式就是在一个方法中定义一个算法的骨架,并将一些实现步骤延迟到子类中。模板方法可以使子类在不改变算法结构的情况下,重新定义算法中的某些步骤。 来看一个例子: class People(object): def make_tea(self): teapot = self.get_teapot() teapot.put_in_tea() teapot.put_in_water() return teapot 显然get_teapot()方法并不需要预先定义,也就是说我们的基类不需要预先申明抽象方法,子类只需要继承 People 类并实现get_teapot(),这给调试代码带来了便利。但我们又想到如果一个子类 StreetPeople 描述的是正走在街上的人,那这个类将不会实现get_teapot(),一调用make_tea()就会产生找不到get_teapot()的 AttributeError,所以此时程序员应该立马想到,随着需求的增多,越来越多的 People 子类会选择不喝茶而喝咖啡,或者是抽雪茄之类的,按照以上的思路,我们的代码只会变得越发难以维护。 所以我们希望能够动态生成不同的实例: class UseSimpleTeapot(object): def get_teapot(self): return SimpleTeapot() class UseKungfuTeapot(object): def get_teapot(self): return KungfuTeapot() class OfficePeople(People, UseSimpleTeapot): pass class HomePeople(People, UseSimpleTeapot): pass class Boss(People, UseKungfuTeapot): pass def simple_tea_people(): people = People() people.__base__ += (UseSimpleTeapot,) return people def coffee_people(): people = People() people.__base__ += (UseCoffeepot,) def tea_and_coffee_people(): people = People() people.__base__ += (UseSimpleTeapot, UserCoffeepot,) return people def boss(): people = People() people.__base__ += (KungfuTeapot, UseCoffeepot, ) return people 以上代码的原理在于每个类都有一个__bases__属性,它是一个元组,用来存放所有的基类,作为动态语言,Python 中的基类可以在运行中可以动态改变。所以当我们向其中增加新的基类时,这个类就拥有了新的方法,这就是混入mixin。 利用这个技术我们可以在不修改代码的情况下就可以完成需求: import mixins # 把员工需求定义在 Mixin 中放在 mixins 模块 def staff(): people = People() bases = [] for i in config.checked(): bases.append(getattr(maxins, i)) people.__base__ += tuple(bases) return people

建议 52:用发布订阅模式实现松耦合

发布订阅模式是一种编程模式,消息的发送者不会发送其消息给特定的接收者,而是将发布的消息分为不同的类别直接发布,并不关注订阅者是谁。而订阅者可以对一个或多个类别感兴趣,且只接收感兴趣的消息,并且不关注是哪个发布者发布的消息。要实现这个模式,就需要一个中间代理人 Broker,它维护着发布者和订阅者的关系,订阅者把感兴趣的主题告诉它,而发布者的信息也通过它路由到各个订阅者处。 from collections import defaultdict route_table = defaultdict(list) def sub(topic, callback): if callback in route_table[topic]: return route_table[topic].append(callback) def pub(topic, *args, **kw): for func in route_table[topic]: func(*args, **kw) 将以上代码放在 Broker.py 的模块,省去了各种参数检测、优先处理、取消订阅的需求,只向我们展示发布订阅模式的基础实现: import Broker def greeting(name): print('Hello, {}'.format(name)) Broker.sub('greet', greeting) Broker.pub('greet', 'LaiYonghao') 注意学习 blinker 和 python-message 两个模块

建议 53:用状态模式美化代码

所谓状态模式,就是当一个对象的内在状态改变时允许改变其行为,但这个对象看起来像是改变了其类。 def workday(): print('work hard') def weekend(): print('play harder') class People(object): pass people = People() while True: for i in range(1, 8): if i == 6: people.day = weekend if i == 1: people.day = workday people.day() 但上述例子还有缺陷:
  1. 查询对象的当前状态很麻烦
  2. 状态切换时需要对原状态做一些清扫工作,而对新状态做初始化工作,因每个状态需要做的事情不同,全部写在切换状态的代码中必然重复
这时候我们可以使用 Python-state 来解决。 改写之前的例子: from state import curr, switch, stateful, State, behavior @stateful class People(object): class Workday(State): default = True @behavior # 相当于staticmethod def day(self): # 这里的self并不是Python的关键字,而是有助于我们理解状态类的宿主是People的实例 print('work hard') class Weekend(State): @behavior def day(self): print('play harder') people = People() while True: for i in range(1, 8): if i == 6: switch(people, People.Weekend) if i == 1: switch(people, People.Workday) people.day() @statefule装饰器重载了被修饰的类的__getattr__()从而使得 People 的实例能够调用当前状态类的方法,同时被修饰的类的实例是带有状态的,能够使用curr()查询当前状态,也可以使用switch()进行状态切换,默认的状态是通过类定义的 default 属性标识,default = True的类成为默认状态。 状态类 Workday 和 Weekend 继承自 State 类,从其派生的子类可以使用__begin__和__end___状态转换协议,自定义进入和离开当前状态时对宿主的初始化和清理工作。 下面是一个真实业务的例子: @stateful class User(object): class NeedSignin(State): default = True @behavior def signin(self, user, pwd): ... switch(self, Player.Signin) class Signin(State): @behavior def move(self, dst): ... @behavior def atk(self, other): ...

第 6 章 内部机制

建议 54:理解 built-in objects

Python 中一切皆对象,在新式类中,object 是所有内建类型的基类,用户自定义的类可以继承自 object 也可继承自内建类型。 In [1]: class TestNewClass: ...: __metaclass__ = type ...: In [2]: type(TestNewClass) Out[2]: type In [3]: TestNewClass.__bases__ Out[3]: (object,) In [4]: a = TestNewClass() In [5]: type(a) Out[5]: __main__.TestNewClass In [6]: a.__class__ Out[6]: __main__.TestNewClass 新式类支持 property 和描述符特性,作为新式类的祖先,Object 类还定义了一些特殊方法:__new__()、__init__()、__delattr__()、__getattribute__()、__setattr__()、__hash__()、__repr__()、__str__()等。

建议 55:__init__()不是构造方法

class A(object): def __new__(cls, *args, **kw): print(cls) print(args) print(kw) print('----------') instance = object.__new__(cls, *args, **kw) print(instance) def __init__(self, a, b): print('init gets called') print('self is {}'.format(self)) self.a, self.b = a, b a1 = A(1, 2) print(a1.a) print(a1.b) 运行结果: <class '__main__.A'> (1, 2) {} ---------- Traceback (most recent call last): File "test.py", line 19, in <module> a1 = A(1, 2) File "test.py", line 13, in __new__ instance = object.__new__(cls, *args, **kw) TypeError: object() takes no parameters 从结果中我们可以看出,程序输出了__new__()调用所产生的输出,并抛出了异常。于是我们知道,原来__new__()才是真正创建实例,是类的构造方法,而__init__()是在类的对象创建好之后进行变量的初始化。上面程序抛出异常是因为在__new__()中没有显式返回对象,a1此时为None,当去访问实例属性时就抛出了异常。 根据官方文档,我们可以总结以下几点:
  1. object.__new__(cls[, args...]):其中 cls 代表类,args 为参数列表,为静态方法
  2. object.__init__(self[, args...]):其中 self 代表实例对象,args 为参数列表,为实例方法
  3. 控制实例创建的时候可使用 __new__() ,而控制实例初始化的时候使用 __init__()
  4. __new__()需要返回类的对象,当返回类的对象时将会自动调用__init__()进行初始化,没有对象返回,则__init__()不会被调用。__init__() 方法不需要显示返回,默认为 None,否则会在运行时抛出 TypeError
  5. 但当子类继承自不可变类型,如 str、int、unicode 或者 tuple 的时候,往往需要覆盖__new__()
  6. 覆盖 __new__() 和 __init__() 的时候这两个方法的参数必须保持一致,如果不一致将导致异常
下面我们来总结需要覆盖__new__()的几种特殊情况:
  1. 当类继承不可变类型且默认的 __new__() 方法不能满足需求的时候
  2. 用来实现工厂模式或者单例模式或者进行元类编程,使用__new__()来控制对象创建
  3. 作为用来初始化的 __init__() 方法在多继承的情况下,子类的 __init__()方法如果不显式调用父类的 __init__() 方法,则父类的 __init__() 方法不会被调用;通过super(子类, self).__init__()显式调用父类的初始化方法;对于多继承的情况,我们可以通过迭代子类的 __bases__ 属性中的内容来逐一调用父类的初始化方法
分别来看例子加深理解: # 创建一个集合能够将任何以空格隔开的字符串变为集合中的元素 class UserSet(frozenset): def __new__(cls, *args): if args and isinstance(args[0], str): args = (args[0].split(), ) + args[1:] return super(UserSet, cls).__new__(cls, *args) # 一个工厂类根据传入的参量决定创建出哪一种产品类的实例 class Shape(object): def __init__(object): pass def draw(self): pass class Triangle(Shape): def __init__(self): print("I am a triangle") def draw(self): print("I am drawing triangle") class Rectangle(Shape): def __init__(self): print("I am a rectangle") def draw(self): print("I am drawing triangle") class Trapezoid(Shape): def __init__(self): print("I am a trapezoid") def draw(self): print("I am drawing triangle") class Diamond(Shape): def __init__(self): print("I am a diamond") def draw(self): print("I am drawing triangle") class ShapeFactory(object): shapes = {'triangle': Triangle, 'rectangle': Rectangle, 'trapzoid': Trapezoid, 'diamond': Diamond} def __new__(cls, name): if name in ShapeFactory.shapes.keys(): print('creating a new shape {}'.format(name)) return ShapeFactory.shapes[name]() else: print('creating a new shape {}'.format(name)) return Shape()

建议 56:理解名字查找机制

在 Python 中所谓的变量其实都是名字,这些名字指向一个或多个 Python 对象。这些名字都存在于一个表中(命名空间),我们称之为局部变量,调用locals()可以查看: >>> locals() {'__package__': None, '__spec__': None, '__loader__': <class '_frozen_importlib.BuiltinImporter'>, '__doc__': None, '__name__': '__main__', '__builtins__': <module 'builtins' (built-in)>} >>> globals() {'__loader__': <class '_frozen_importlib.BuiltinImporter'>, '__builtins__': <module 'builtins' (built-in)>, '__package__': None, '__doc__': None, '__spec__': None, '__name__': '__main__'} Python 中的作用域分为:
  1. 局部作用域: 一般来说函数的每次调用都会创建一个新的本地作用域, 拥有新的命名空间
  2. 全局作用域: 定义在 Python 模块文件中的变量名拥有全局作用域, 即在一个文件的顶层的变量名仅在这个文件内可见
  3. 嵌套作用域: 多重函数嵌套时才会考虑, 即使使用 global 进行申明也不能达到目的, 其结果最终是在嵌套的函数所在的命名空间中创建了一个新的变量
  4. 内置作用域: 通过标准库中的__builtin__实现的
当访问一个变量的时候,其查找顺序遵循变量解析机制 LEGB 法则,即依次搜索 4 个作用域:局部作用域、嵌套作用域、全局作用域以及内置作用域,并在第一个找到的地方停止搜寻,如果没有搜到,则会抛出异常。 Python 3 中引入了 nonlocal 关键字: def foo(x): a = x def bar(): nonlocal a b = a * 2 a = b + 1 print(a) return bar

建议 57: 为什么需要 self 参数

在类中当定义实例方法的时候需要将第一个参数显式声明为self, 而调用时不需要传入该参数, 我们通过self.x访问实例变量, self.m()访问实例方法: class SelfTest(object): def __init__(self.name): self.name = name def showself(self): print('self here is {}'.format(self)) def display(self): self.showself() print('The name is: {}'.format(self.name)) st = SelfTest('instance self') st.display() print('{}'.format(st)) 运行结果: self here is <__main__.SelfTest object at 0x7f440c53ba58> The name is: instance self <__main__.SelfTest object at 0x7f440c53ba58> 从中可以发现, self 表示实例对象本身, 即 SelfTest 类的对象在内存中的地址. self 是对对象 st 本身的引用, 我们在调用实例方法时也可以直接传入实例对象: SelfTest.display(st). 同时 self 或 cls 并不是 Python 的关键字, 可以替换成其它的名称. Python 中为什么需要 self 呢:
  • 借鉴了其他语言的特征
  • Python 语言本身的动态性决定了使用 self 能够带来一定便利
  • 在存在同名的局部变量以及实例变量的情况下使用 self 使得实例变量更容易被区分
  • Python 属于一级对象语言, 我们有好几种方法可以引用类方法: A.__dict__["m"] A.m.__func__ Python 的哲学是:显示优于隐式(Explicit is better than implicit).

    建议 58: 理解 MRO 与多继承

    古典类与新式类所采取的 MRO (Method Resolution Order, 方法解析顺序) 的实现方式存在差异. 古典类是按照多继承申明的顺序形成继承树结构, 自顶向下采用深度优先的搜索顺序. 而新式类采用的是 C3 MRO 搜索方法, 在新式类通过__mro__得到 MRO 的搜索顺序, C3 MRO 的算法描述如下:
    假定,C1C2...CN 表示类 C1 到 CN 的序列,其中序列头部元素(head)=C1,序列尾部(tail)定义 = C2...CN; C 继承的基类自左向右分别表示为 B1,B2...BN L[C] 表示 C 的线性继承关系,其中 L[object] = object。 算法具体过程如下: L[C(B1...BN)] = C + merge(L[B1] ... L[BN], B1 ... BN) 其中 merge 方法的计算规则如下:在 L[B1]...L[BN],B1...BN 中,取 L[B1] 的 head,如果该元素不在 L[B2]...L[BN],B1...BN 的尾部序列中,则添加该元素到 C 的线性继承序列中,同时将该元素从所有列表中删除(该头元素也叫 good head),否则取 L[B2] 的 head。继续相同的判断,直到整个列表为空或者没有办法找到任何符合要求的头元素(此时,将引发一个异常)。
    菱形继承是我们在多继承设计的时候需要尽量避免的一个问题.

    建议 59: 理解描述符机制

    In [1]: class MyClass(object): ...: class_attr = 1 ...: # 每一个类都有一个__dict__属性, 包含它的所有属性 In [2]: MyClass.__dict__ Out[2]: mappingproxy({'__dict__': <attribute '__dict__' of 'MyClass' objects>, '__doc__': None, '__module__': '__main__', '__weakref__': <attribute '__weakref__' of 'MyClass' objects>, 'class_attr': 1}) In [3]: my_instance = MyClass() # 每一个实例也相应有一个实例属性, 我们通过实例访问一个属性时, # 它首先会尝试在实例属性中查找, 找不到会到类属性中查找 In [4]: my_instance.__dict__ Out[4]: {} # 实例访问类属性 In [5]: my_instance.class_attr Out[5]: 1 # 如果通过实例增加一个属性,只能改变此实例的属性 In [6]: my_instance.inst_attr = 'china' In [7]: my_instance.__dict__ Out[7]: {'inst_attr': 'china'} # 对于类属性而言并没有丝毫变化 In [8]: MyClass.__dict__ Out[8]: mappingproxy({'__dict__': <attribute '__dict__' of 'MyClass' objects>, '__doc__': None, '__module__': '__main__', '__weakref__': <attribute '__weakref__' of 'MyClass' objects>, 'class_attr': 1}) # 我们可以动态地给类增加一个属性 In [9]: MyClass.class_attr2 = 100 In [10]: my_instance.class_attr2 Out[10]: 100 # 但Python的内置类型并不能随意地为它增加属性或方法 .操作符封装了对实例属性和类属性两种不同属性进行查找的细节。 但是如果是访问方法呢: In [1]: class MyClass(object): ...: def my_method(self): ...: print('my_method') ...: In [2]: MyClass.__dict__['my_method'] Out[2]: <function __main__.MyClass.my_method> In [3]: MyClass.my_method Out[3]: <function __main__.MyClass.my_method> In [4]: type(MyClass.my_method) Out[4]: function In [5]: type(MyClass.__dict__['my_method']) Out[5]: function 根据通过实例访问属性和根据类访问属性的不同,有以下两种情况:
    1. 一种是通过实例访问,比如代码 obj.x,如果 x 是一个描述符,那么 __getattribute__() 会返回 type(obj).__dict__['x'].__get__(obj, type(obj)) 结果,即:type(obj) 获取 obj 的类型;type(obj).__dict__['x'] 返回的是一个描述符,这里有一个试探和判断的过程;最后调用这个描述符的 __get__() 方法。
    2. 另一个是通过类访问的情况,比如代码 cls.x,则会被 __getattribute__()转换为 cls.__dict__['x'].__get__(None, cls)。 描述符协议是一个 Duck Typing 的协议,而每一个函数都有 __get__ 方法,也就是说其他每一个函数都是描述符。所有对属性, 方法进行修饰的方案往往都用到了描述符, 如classmethod, staticmethod, property等, 以下是property的参考实现: class Property(object): "Emulate PyProperty_Type() in Objects/descrobject.c" def __init__(self, fget=None, fset=None, fdel=None, doc=None): self.fget = fget self.fset = fset self.fdel = fdel self.__doc__ = doc def __get__(self, obj, objtype=None): if obj is None: return self if self.fget is None: raise AttributeError, "unreadable attribute" return self.fget(obj) def __set__(self, obj, value): if self.fset is None: raise AttributeError, "can't set attribute" self.fset(obj, value) def __delete__(self, obj): if self.fdel is None: raise AttributeError, "can't delete attribute" self.fdel(obj)

    建议 60:区别__getattr__()和__getattribute__()方法

    以上两种方法可以对实例属性进行获取和拦截:
    1. __getattr__(self, name):适用于属性在实例中以及对应的类的基类以及祖先类中都不存在;
    2. __getattribute__(self, name):对于所有属性的访问都会调用该方法
    但访问不存在的实例属性时,会由内部方法__getattribute__()抛出一个 AttributeError 异常,也就是说只要涉及实例属性的访问就会调用该方法,它要么返回实际的值,要么抛出异常。详情请参考 那么__getattr__()在什么时候调用呢:
    1. 属性不在实例的__dict__中;
    2. 属性不在其基类以及祖先类的__dict__中;
    3. 触发AttributeError异常时(注意,不仅仅是__getattribute__()方法的AttributeError异常,property 中定义的get()方法抛出异常的时候也会调用该方法)。
    当这两个方法同时被定义的时候,要么在__getattribute__()中显式调用,要么触发AttributeError异常,否则__getattr__()永远不会被调用。 我们知道 property 也能控制属性的访问,如果一个类中如果定义了 property、__getattribute__()以及__getattr__()来对属性进行访问控制,会最先搜索__getattribute__()方法,由于 property 对象并不存在于 dict 中,因此并不能返回该方法,此时会搜索 property 中的get()方法;当 property 中的set()方法对属性进行修改并再次访问 property 的get()方法会抛出异常,这时会触发__getattr__()的调用。
    __getattribute__()总会被调用,而__getattr__()只有在__getattribute__()中引发异常的情况下调用。
    QQ群: WEB武松娱乐官方总群(83010142) 加群密码:关注下方微信公众号,发送消息 mm 获取
    提示:更多精彩内容关注微信公众号:全栈武松娱乐中心(fsder-com)
    网友评论(共0条评论) 正在载入评论......
    理智评论文明上网,拒绝恶意谩骂 发表评论 / 共0条评论
    登录会员中心
    武松娱乐官网