日常的写在前面难得的周末，有大段的时间可以用来学习，体验就和工作日的晚上完全不一样了。好好的沉下心学习下~即刻很喜欢了！好好学习的分割线打打打鸡血!!!!!!面向对象高级编程前天的定制类的__call__通过小佳扬的一语惊醒梦中人，就是把对象函数化了。感觉有点囫囵吞枣，看完教程后要还好好地归纳下。枚举类定义常量时候使用，例如定义月份。JAN = 1FEB = 2MAR = 3…NOV = 11DEC = 12但是此时的类型是int。通过Python提供的Enum类来实现为枚举类型定义一个class类型。from enum import EnumMonth = Enum(‘Month’, (‘Jan’, ‘Feb’, ‘Mar’, ‘Apr’, ‘May’, ‘Jun’, ‘Jul’, ‘Aug’, ‘Sep’, ‘Oct’, ‘Nov’, ‘Dec’))这样就获得了Month类型的枚举类，可以使用Month.Jan来引用一个常量，或者枚举成员。for name, member in Month.members.items(): print(name, ‘=>’, member, ‘,’, member.value)value属性是自动赋给成员的值，默认从1开始计数。如果需要更精确地控制枚举类型，可以从Enum派生出自定义类。from enum import Enum, unique@uniqueclass Weekday(Enum): Sun = 0 # Sun的value被设定为0 Mon = 1 Tue = 2 Wed = 3 Thu = 4 Fri = 5 Sat = 6@unique装饰器可以帮助我们检查保证没有重复值。使用元类type()动态语言和静态语言最大的不同，就是函数和类的定义，不是编译时定义的，而是运行时动态创建的。type()函数可以查看类型或者变量的类型，class的类型就是type。而且type()函数既可以返回一个对象的类型，又可以创建出新的类型。#用type()函数创造出hello类def fn(self, name=‘world’): # 先定义函数 print(‘Hello, %s.’ % name)Hello = type(‘Hello’, (object,), dict(hello=fn))用type()创建类，需要依次传入三个参数：class的名称；继承的父类集合，注意Python支持多重继承，如果只有一个父类，别忘了tuple的单元素写法；class的方法名称与函数绑定，这里我们把函数fn绑定到方法名hello上这样和直接定义class的写法没有差异，但是这样的话就可以在代码运行的过程中，动态创建类，这和静态语言有很大不同。metaclass除了使用type()动态创建类以外，要控制类的创建行为，还可以使用metaclass。先定义metaclass，就可以创建类，最后创建实例。据说很难理解的魔术代码，还是认真的努力理解下吧！看下大牛的代码！这个metaclass可以给我们自定义的MyList增加一个add方法：定义ListMetaclass，按照默认习惯，metaclass的类名总是以Metaclass结尾，以便清楚地表示这是一个metaclass。# metaclass是类的模板，所以必须从type类型派生：class ListMetaclass(type): def new(cls, name, bases, attrs): attrs[‘add’] = lambda self, value: self.append(value) return type.new(cls, name, bases, attrs)有了ListMetaclass，我们在定义类的时候还要指示使用ListMetaclass来定制类，传入关键字参数metaclass：class MyList(list, metaclass=ListMetaclass): pass这样MyList创建的时候，需要通过ListMetaclass.new()来创建。new()方法接收到的参数依次是：当前准备创建的类的对象；类的名字；类集成的父类集合；类的方法集合。而MyList()可以调用add方法，但普通list()就没有。list即类的对象。这个复杂的有点变态的定义方式，在一些场景下，例如ORM的编写中，会很有用。ORM全称“Object Relational Mapping”，即对象-关系映射，就是把关系数据库的一行映射为一个对象，也就是一个类对应一个表，这样，写代码更简单，不用直接操作SQL语句。这块有点复杂，虽然看懂了，但是还要好好琢磨下错误、调试和测试错误处理高级语言都内置了一套try…except…finally…的错误处理机制，Python小可爱也有。try当有错误时候，会打断代码的进行，跳转到except处，一旦有finally的话就一定会执行,无论有没有发生错误。可以有多个except获取不同的错误，但是注意父类和子类的问题，如果一旦包括了父类错误，子类所在的except就不会被执行。except后也可以加else语句，当没有错误发生的时候，会执行else语句。Python所有的错误都是从BaseException类派生的，常见的错误类型和继承关系有这些：https://docs.python.org/3/lib…也就是说，不需要在每个可能出错的地方去捕获错误，只要在合适的层次去捕获错误就可以了。这样一来，就大大减少了写try…except…finally的麻烦。调用栈如果错误没有被捕获，它就会一直往上抛，最后被Python解释器捕获，打印一个错误信息，然后程序退出。所以找错误栈的时候，一定要找到准确的最里面那层。错误记录等Python解释器打印错误栈的信息，程序也结束了。既然可以捕获，就在捕获的同时打印错误信息并分析原因，让程序继续下去。Python内置的logging可以很容易的记录错误信息。# err_logging.pyimport loggingdef foo(s): return 10 / int(s)def bar(s): return foo(s) * 2def main(): try: bar(‘0’) except Exception as e: logging.exception(e)main()print(‘END’)这样打印完错误信息后还会打印END,即运行了后续的代码。将logging通过配置记录到日志文件中方便后续的排查。抛出错误捕获的错误其实是错误class的一个实例，错误也是需要定以后才能抛出然后被捕获到的。如果要抛出错误，首先根据需要，可以定义一个错误的class，选择好继承关系，然后，用raise语句抛出一个错误的实例.# err_raise.pyclass FooError(ValueError): passdef foo(s): n = int(s) if n==0: raise FooError(‘invalid value: %s’ % s) return 10 / nfoo(‘0’)另一种抛出错误的例子如下。# err_reraise.pydef foo(s): n = int(s) if n==0: raise ValueError(‘invalid value: %s’ % s) return 10 / ndef bar(): try: foo(‘0’) except ValueError as e: print(‘ValueError!’) raise #错误又被抛出bar()这种方式也很常见，在抛出问题后继续抛回上一级，由顶曾调用者进行处理。raise语句如果不带参数，就会把当前错误原样抛出。此外，在except中raise一个Error，还可以把一种类型的错误转化成另一种类型。调试用print()打印有问题的变量麻烦在还得删掉或注释掉相应语句断言凡是可以用print打印的地方，都可以用asset断言来代替。def foo(s): n = int(s) assert n != 0, ’n is zero!’#判断此处n!=0是否为True,如果非则抛出AssertionError return 10 / ndef main(): foo(‘0’)可以在启动Python解释器的时候关闭assert$python -0logging同样是替换print,logging不会抛出错误，而且可以输出到文件。import logginglogging.basicConfig(level=logging.INFO)s = ‘0’n = int(s)logging.info(’n = %d’ % n)print(10 / n)这就是logging的好处，它允许你指定记录信息的级别，有debug，info，warning，error等几个级别，当我们指定level=INFO时，logging.debug就不起作用了。同理，指定level=WARNING后，debug和info就不起作用了。这样一来，你可以放心地输出不同级别的信息，也不用删除，最后统一控制输出哪个级别的信息。logging的另一个好处是通过简单的配置，一条语句可以同时输出到不同的地方，比如console和文件。pdb启动Python的调试器pdb，让程序以单步方式运行。pdb.set_trace()这个方法也是用pdb，但是不需要单步执行，我们只需要import pdb，然后，在可能出错的地方放一个pdb.set_trace()，就可以设置一个断点