有许许多多文章写了 Python 中的许多很酷的个性,例如变量解包、偏函数、枚举可迭代对象,然而对于 Python 还有很多要探讨的话题,因而在本文中,我将尝试展现一些我晓得的和在应用的,但很少在其它文章提到过的个性。那就开始吧。
1、对输出的字符串“消毒”
对用户输出的内容“消毒”,这问题简直实用于你编写的所有程序。通常将字符转换为小写或大写就足够了,有时你还能够应用正则表达式来实现工作,然而对于简单的状况,还有更好的办法:
user_input = "This\nstring has\tsome whitespaces...\r\n"
character_map = {ord('\n') : ' ',
ord('\t') : ' ',
ord('\r') : None
}
user_input.translate(character_map) # This string has some whitespaces... "
在此示例中,你能够看到空格字符“\n”和“\t”被单个空格替换了,而“\r”则被齐全删除。这是一个简略的示例,然而咱们能够更进一步,应用 unicodedata 库及其 combining() 函数,来生成更大的重映射表(remapping table),并用它来删除字符串中所有的重音。
2、对迭代器切片
如果你尝试间接对迭代器切片,则会失去 TypeError,提醒说该对象不可取下标(not subscriptable),然而有一个简略的解决方案:
import itertools
s = itertools.islice(range(50), 10, 20) # <itertools.islice object at 0x7f70fab88138>
for val in s:
...
应用 itertools.islice,咱们能够创立一个 islice 对象,该对象是一个迭代器,能够生成咱们所需的内容。然而这有个重要的揭示,即它会消耗掉切片前以及切片对象 islice 中的所有元素。
3、跳过可迭代对象的开始
有时候你必须解决某些文件,它们以可变数量的不须要的行(例如正文)为结尾。itertools 再次提供了简略的解决方案:
string_from_file = """
// Author: ...
// License: ...
//
// Date: ...
Actual content...
"""
import itertools
for line in itertools.dropwhile(lambda line:line.startswith("//"), string_from_file.split("\n")):
print(line)
这段代码仅会打印在初始的正文局部之后的内容。如果咱们只想抛弃迭代器的结尾局部(在此例中是正文),并且不晓得有多少内容,那么此办法很有用。
4、仅反对关键字参数(kwargs)的函数
当须要函数提供(强制)更清晰的参数时,创立仅反对关键字参数的函数,可能会挺有用:
def test(*, a, b):
pass
test("value for a", "value for b") # TypeError: test() takes 0 positional arguments...
test(a="value", b="value 2") # Works...
如你所见,能够在关键字参数之前,搁置单个 参数来轻松解决此问题。如果咱们将地位参数放在 参数之前,则显然也能够有地位参数。
5、创立反对 with 语句的对象
咱们都晓得如何应用 with 语句,例如关上文件或者是获取锁,然而咱们能够实现本人的么?是的,咱们能够应用__enter__ 和__exit__ 办法来实现上下文管理器协定:
class Connection:
def __init__(self):
...
def __enter__(self):
# Initialize connection...
def __exit__(self, type, value, traceback):
# Close connection...
with Connection() as c:
# __enter__() executes
...
# conn.__exit__() executes
这是在 Python 中实现上下文治理的最常见办法,然而还有一种更简略的办法:
from contextlib import contextmanager
@contextmanager
def tag(name):
print(f"<{name}>")
yield
print(f"</{name}>")
with tag("h1"):
print("This is Title.")
下面的代码段应用 contextmanager 装璜器实现了内容治理协定。tag 函数的第一局部(yield 之前)会在进入 with 语句时执行,而后执行 with 的代码块,最初会执行 tag 函数的残余局部。
5、用__slots__节俭内存
如果你已经编写过一个程序,该程序创立了某个类的大量实例,那么你可能曾经留神到你的程序忽然就须要大量内存。那是因为 Python 应用字典来示意类实例的属性,这能使其速度变快,但内存不是很高效。通常这不是个问题,然而,如果你的程序遇到了问题,你能够尝试应用__slots__:
class Person:
__slots__ = ["first_name", "last_name", "phone"]
def __init__(self, first_name, last_name, phone):
self.first_name = first_name
self.last_name = last_name
self.phone = phone
这里产生的是,当咱们定义__slots__属性时,Python 应用固定大小的小型数组,而不是字典,这大大减少了每个实例所需的内存。应用__slots__还有一些毛病——咱们无奈申明任何新的属性,并且只能应用在__slots__中的属性。同样,带有__slots__的类不能应用多重继承。
6、限度 CPU 和内存使用量
如果不是想优化程序内存或 CPU 使用率,而是想间接将其限度为某个固定数字,那么 Python 也有一个库能做到:
import signal
import resource
import os
# To Limit CPU time
def time_exceeded(signo, frame):
print("CPU exceeded...")
raise SystemExit(1)
def set_max_runtime(seconds):
# Install the signal handler and set a resource limit
soft, hard = resource.getrlimit(resource.RLIMIT_CPU)
resource.setrlimit(resource.RLIMIT_CPU, (seconds, hard))
signal.signal(signal.SIGXCPU, time_exceeded)
# To limit memory usage
def set_max_memory(size):
soft, hard = resource.getrlimit(resource.RLIMIT_AS)
resource.setrlimit(resource.RLIMIT_AS, (size, hard))
在这里,咱们能够看到两个选项,可设置最大 CPU 运行工夫和内存应用下限。对于 CPU 限度,咱们首先获取该特定资源(RLIMIT_CPU)的软限度和硬限度,而后通过参数指定的秒数和先前获取的硬限度来设置它。最初,如果超过 CPU 工夫,咱们将注册令零碎退出的信号。至于内存,咱们再次获取软限度和硬限度,并应用带有 size 参数的 setrlimit 和获取的硬限度对其进行设置。
8、管制能够 import 的内容
某些语言具备非常明显的用于导出成员(变量、办法、接口)的机制,例如 Golang,它仅导出以大写字母结尾的成员。另一方面,在 Python 中,所有内容都会被导出,除非咱们应用__all__:
def foo():
pass
def bar():
pass
__all__ = ["bar"]
应用下面的代码段,咱们能够限度 from some_module import * 在应用时能够导入的内容。对于以上示例,通配导入时只会导入 bar。此外,咱们能够将__all__ 设为空,令其无奈导出任何货色,并且在应用通配符形式从此模块中导入时,将引发 AttributeError。
9、比拟运算符的简便办法
为一个类实现所有比拟运算符可能会很烦人,因为有很多的比拟运算符——__lt__、__le__、__gt__ 或__ge__。然而,如果有更简略的办法呢?functools.total_ordering 可救场:
from functools import total_ordering
@total_ordering
class Number:
def __init__(self, value):
self.value = value
def __lt__(self, other):
return self.value < other.value
def __eq__(self, other):
return self.value == other.value
print(Number(20) > Number(3))
print(Number(1) < Number(5))
print(Number(15) >= Number(15))
print(Number(10) <= Number(2))
这到底如何起作用的?total_ordering 装璜器用于简化为咱们的类实例实现排序的过程。只须要定义__lt__ 和__eq__,这是最低的要求,装璜器将映射残余的操作——它为咱们填补了空白。
10、应用 slice 函数命名切片
应用大量硬编码的索引值会很快搞乱维护性和可读性。一种做法是对所有索引值应用常量,然而咱们能够做得更好:
# ID First Name Last Name
line_record = "2 John Smith"
ID = slice(0, 8)
FIRST_NAME = slice(9, 21)
LAST_NAME = slice(22, 27)
name = f"{line_record[FIRST_NAME].strip()} {line_record[LAST_NAME].strip()}"
# name == "John Smith"
在此例中,咱们能够防止神秘的索引,办法是先应用 slice 函数命名它们,而后再应用它们。你还能够通过 .start、.stop 和 .stop 属性,来理解 slice 对象的更多信息。
11、在运行时提醒用户输出明码
许多命令行工具或脚本须要用户名和明码能力操作。因而,如果你碰巧写了这样的程序,你可能会发现 getpass 模块很有用:
import getpass
user = getpass.getuser()
password = getpass.getpass()
# Do Stuff...
这个非常简单的包通过提取以后用户的登录名,能够提醒用户输出明码。然而须留神,并非每个零碎都反对暗藏明码。Python 会尝试正告你,因而切记在命令行中浏览正告信息。
12、查找单词 / 字符串的相近匹配
当初,对于 Python 规范库中一些艰涩难懂的个性。如果你发现自己须要应用 Levenshtein distance【2】之类的货色,来查找某些输出字符串的类似单词,那么 Python 的 difflib 会为你提供反对。
import difflib
difflib.get_close_matches('appel', ['ape', 'apple', 'peach', 'puppy'], n=2)
# returns ['apple', 'ape']
difflib.get_close_matches 会查找最佳的“足够好”的匹配。在这里,第一个参数与第二个参数匹配。咱们还能够提供可选参数 n,该参数指定要返回的最多匹配后果。另一个可选的关键字参数 cutoff(默认值为 0.6),能够设置字符串匹配得分的阈值。
13、应用 IP 地址
如果你必须应用 Python 做网络开发,你可能会发现 ipaddress 模块十分有用。一种场景是从 CIDR(无类别域间路由 Classless Inter-Domain Routing)生成一系列 IP 地址:
import ipaddress
net = ipaddress.ip_network('74.125.227.0/29') # Works for IPv6 too
# IPv4Network('74.125.227.0/29')
for addr in net:
print(addr)
# 74.125.227.0
# 74.125.227.1
# 74.125.227.2
# 74.125.227.3
# ...
另一个不错的性能是查看 IP 地址的网络成员资格:
ip = ipaddress.ip_address("74.125.227.3")
ip in net
# True
ip = ipaddress.ip_address("74.125.227.12")
ip in net
# False
还有很多乏味的性能,在这里【3】能够找到,我不再赘述。然而请留神,ipaddress 模块和其它与网络相干的模块之间只有无限的互通性。例如,你不能将 IPv4Network 实例当成地址字符串——须要先应用 str 转换它们。
14、在 Shell 中调试程序解体
如果你是一个回绝应用 IDE,并在 Vim 或 Emacs 中进行编码的人,那么你可能会遇到这样的状况:领有在 IDE 中那样的调试器会很有用。
你晓得吗?你有一个——只有用 python3.8 -i 运行你的程序——一旦你的程序终止了,-i 会启动交互式 shell,在那你能够查看所有的变量和调用函数。整洁,然而应用理论的调试器(pdb)会如何呢?让咱们用以下程序(script.py):
def func():
return 0 / 0
func()
并应用 python3.8 -i script.py 运行脚本:
# Script crashes...
Traceback (most recent call last):
File "script.py", line 4, in <module>
func()
File "script.py", line 2, in func
return 0 / 0
ZeroDivisionError: division by zero
>>> import pdb
>>> pdb.pm() # Post-mortem debugger
> script.py(2)func()
-> return 0 / 0
(Pdb)
咱们看到了解体的中央,当初让咱们设置一个断点:
def func():
breakpoint() # import pdb; pdb.set_trace()
return 0 / 0
func()
当初再次运行它:
script.py(3)func()
-> return 0 / 0
(Pdb) # we start here
(Pdb) step
ZeroDivisionError: division by zero
> script.py(3)func()
-> return 0 / 0
(Pdb)
大多数时候,打印语句和错误信息就足以进行调试,然而有时候,你须要到处摸索,以理解程序外部正在产生的事件。在这些状况下,你能够设置断点,而后程序执行时将在断点处停下,你能够检查程序,例如列出函数参数、表达式求值、列出变量、或如上所示仅作单步执行。
pdb 是功能齐全的 Python shell,实践上你能够执行任何货色,然而你还须要一些调试命令,可在此处【4】找到。
15、在一个类中定义多个构造函数
函数重载是编程语言(不含 Python)中十分常见的性能。即便你不能重载失常的函数,你依然能够应用类办法重载构造函数:
import datetime
class Date:
def __init__(self, year, month, day):
self.year = year
self.month = month
self.day = day
@classmethod
def today(cls):
t = datetime.datetime.now()
return cls(t.year, t.month, t.day)
d = Date.today()
print(f"{d.day}/{d.month}/{d.year}")
# 14/9/2019
你可能偏向于将代替构造函数的所有逻辑放入__init__,并应用args、*kwargs 和一堆 if 语句,而不是应用类办法来解决。那可能行得通,然而却变得难以浏览和保护。
因而,我倡议将很少的逻辑放入__init__,并在独自的办法 / 构造函数中执行所有操作。这样,对于类的维护者和用户而言,失去的都是洁净的代码。
16、应用装璜器缓存函数调用
你是否已经编写过一种函数,它执行低廉的 I/O 操作或一些相当慢的递归,而且该函数可能会受害于对其后果进行缓存(存储)?如果你有,那么有简略的解决方案,即应用 functools 的 lru_cache :
from functools import lru_cache
import requests
@lru_cache(maxsize=32)
def get_with_cache(url):
try:
r = requests.get(url)
return r.text
except:
return "Not Found"
for url in ["https://google.com/",
"https://martinheinz.dev/",
"https://reddit.com/",
"https://google.com/",
"https://dev.to/martinheinz",
"https://google.com/"]:
get_with_cache(url)
print(get_with_cache.cache_info())
# CacheInfo(hits=2, misses=4, maxsize=32, currsize=4)
在此例中,咱们用了可缓存的 GET 申请(最多 32 个缓存后果)。你还能够看到,咱们能够应用 cache_info 办法查看函数的缓存信息。装璜器还提供了 clear_cache 办法,用于使缓存后果有效。
我还想指出,此函数不应与具备副作用的函数一起应用,或与每次调用都创立可变对象的函数一起应用。
17、在可迭代对象中查找最频繁呈现的元素
在列表中查找最常见的元素是十分常见的工作,你能够应用 for 循环和字典(map),然而这没必要,因为 collections 模块中有 Counter 类:
from collections import Counter
cheese = ["gouda", "brie", "feta", "cream cheese", "feta", "cheddar",
"parmesan", "parmesan", "cheddar", "mozzarella", "cheddar", "gouda",
"parmesan", "camembert", "emmental", "camembert", "parmesan"]
cheese_count = Counter(cheese)
print(cheese_count.most_common(3))
# Prints: [('parmesan', 4), ('cheddar', 3), ('gouda', 2)]
实际上,Counter 只是一个字典,将元素与呈现次数映射起来,因而你能够将其用作一般字典:
python print(cheese_count["mozzarella"]) ¨K40K cheese_count["mozzarella"] += 1 print(cheese_count["mozzarella"]) ¨K41K
除此之外,你还能够应用 update(more_words) 办法轻松增加更多元素。Counter 的另一个很酷的个性是你能够应用数学运算(加法和减法)来组合和减去 Counter 的实例。
小结
在日常 Python 编程中,并非所有这些个性都是必不可少的和有用的,然而其中一些个性可能会时不时派上用场,并且它们也可能简化工作,而这原本可能很简短且令人讨厌。
我还要指出的是,所有这些个性都是 Python 规范库的一部分,尽管在我看来,其中一些个性十分像是规范库中的非标准内容。因而,每当你要在 Python 中实现某些性能时,首先可在规范库查看,如果找不到,那你可能看得还不够认真(如果它的确不存在,那么必定在某些三方库中)。
如果你应用 Python,那么我认为在这里分享的大多数技巧简直每天都会有用,因而我心愿它们会派上用场。另外,如果你对这些 Python 技巧和骚操作有任何想法,或者如果你晓得解决上述问题的更好办法,请通知我!
以上就是本次分享的所有内容,想要理解更多 python 常识欢送返回公众号:Python 编程学习圈,发送“J”即可收费获取,每日干货分享