共计 5527 个字符，预计需要花费 14 分钟才能阅读完成。
10 岁前学编程，要么是被爸妈逼的，要么是学习任务；
20 岁前学编程，除了兴趣，就是为了竞赛加分；
30 岁前学编程，除了学习，就是为了找工作；
40 岁前学编程，纯粹为了生存；
40 岁后学编程，是一种执着。
有人后悔当初没有选择计算机专业，没有学会编程；
也有人后悔当初选择了计算机专业，成了一代码农；
有人因为羡慕黑客，选择了程序员的职业；
也有人因为喜欢挑战，开始了编程的自学。
不论是何种原因，选择了“学编程”之路，都会经历一系列的过关斩将。
铺天盖地的编程培训广告，只会告诉人们入门有多容易，却不会讲它有多难。
结果大多都是，满怀希望，一腔热情，终于湮灭。
交了几千学费事小，丢了好奇心，才是个人最大的损失。
为什么编程那么难学？我们从学习说起。
什么是学习？
关于学习，我们大部分的时间都是在学校完成。
“好好学习，天天向上”，是贴在教室墙上最显眼的金句广告。
读小学时，那些勤奋的人，每到期末都会得高分，成了老师和家长眼中的明星。
勤奋，在大部分人眼里，成了通往成功的必经之路。
小小年纪，恨不得每天“学习”25 小时，一个个被逼出厚厚的眼镜片。
上了初中，成绩似乎变得挂不住，一直往下掉。
通宵达旦的努力，有时候还不如小部分人临时抱佛脚。
“悬梁刺股”这个故事更像古人的励志鸡汤。
有教学经验的老师，会强调“学习方法”，相比“死记硬背”，更要懂得找规律。
每个人的记忆容量是有限的，但现实情况的组合却是无限的。
比如，我们背九九乘法表，但不会背多位数乘法表，因为数字是无限的。
相反，我们会观察乘法规律，设计巧妙算法来解决具体算数问题，比如“列竖式”。
实际生活中，我们要解决的问题也有无限种情况，光靠记忆无法解决所有问题。
于是，我们会慢慢从生活经验中，发现规律，提取知识，再应用到未知情况中检验。
这个过程就是学习，它让我们可以用有限经验，应对无限可能，用知识压缩庞大的信息。
人的“聪明”程度，取决于需要多少经验获得规律，也即“悟性”。
靠记忆学习，可以获得线性的知识累加，学一点得一点；
用规律学习，可以获得指数级知识增长，通一点得一片。
这样对比，并不是说记忆不重要，相反它在知识积累过程中非常重要！
在没有背九九乘法表前，我们和英国前首相卡梅伦一样，是算不出 9 乘 8 是多少的；
在没有背那堆数学公理前，我们无法用高度抽象的思维来理解世界，更不会有现在的计算机世界；
在没有背基本语法和句式前，我们无法从历史著作中了解当时的人类社会，更无法继承和传承已有的知识。
所以， 学编程遇到的第一道坎，就是记住已有语法，它就像是驱动魔法的咒语。
都是一些英文单词，学过英语就知道，单词可以背，但理解语义是关键。
比如，“interesting”在词典里的语义是个形容词，表示“有趣的”；
但如果放到实际对话中，它可能就代表相反的意思“无聊”，和我们经常挂嘴边的“不错”、“挺好”类似。
编程语言，同样用英文单词表示，但背后语义比法典还严格，每个单词在任何语境下都有明确意义，无歧义。
而单词背后的意义，往往是初学者最难迈过的坎，几乎只能“死记硬背”。
原因也很简单。
英语是人与人的交流，我们只要理解了对方的文化习俗，沟通就会顺畅。
比如在一起生活一段时间，哪怕不能用完整句子表达，只说几个关键词，对方就能秒懂。
但，编程语言是人与机器的交流，你需要给它明确指令，它也会给你明确反馈。
机器建立在 0 和 1 的二元世界，组成它的部件都是硅和金属，部件之间靠电子脉冲沟通。
人与机器最早沟通也是从二进制开始的，那时候计算机叫打孔机，工作原理就像《无间道》里梁朝伟给黄秋生发情报。
略去几十年计算机发展史，现在计算机的主要硬件，如 CPU、内存、硬盘等，都会通过操作系统这个“资源管家”管理。
人与机器沟通方式主要有两种：1）图形化界面交互；2）指令接口。
第一种我们日常都在用很容易理解；第二种指令接口，就是我们所说的编程。
几十年前，操作系统并没有那么完善，我们还得通过低级语言和机器沟通，比如二进制、汇编等；
如今，我们可以站在操作系统之上，快速调动机器资源，比如计算能力、网络通讯能力、存储能力等。
编程语言，也变得越来越“高级”，并不是说语言的优劣，而是抽象层次更高，更接近人类语言。
比如，C 语言中定义一个变量，你需要明确指出它的数据类型，是整数，还是小数（浮点数），还是像“HelloWorld”这样的字符串。
于是 C 语言中会有很多关于数据类型的关键词，比如 int、long、float、double、char 等。
要理解这些英文单词，除了背，还得理解语义，也就是背后操作系统的内存分配规则。
所以，学 C 语言难，是因为除了语言本身，还得了解更多关于操作系统内部的资源管理规则。
对于大部分人而言，学编程并非为了给操作系统这样的基础设施添砖加瓦，而是解决现实工作生活的一些实际问题。
比如，批量处理表格、自动排版、定时发邮件等，提高工作效率；
比如，自动抓取数据、搭建数据分析系统，增强信息情报处理能力；
比如，开发小程序、小应用、小工具，以功能形式输出自有专业能力。
于是，“高级”的 Python 以更低的学习门槛，成了普通人的选择。
它有 30 多个关键词，每个词都不难，但想记住后流畅使用也不容易。
如果有人天生会编程，那他一定来自《星际迷航》中的瓦肯星。
编程的目的，是用数学驱动机器资源解决实际问题。
所以， 学编程遇到的第二道坎，就是学会问题抽象。
这也是阻碍普通人学编程最大的门槛，光靠记忆无法学会编程。
抽象，就是从具体问题里提取出共性的特征，也就是文章开头说的“找规律”，然后就可以套用已有知识解决问题。
抽象能力，决定了每个程序员的编程水平，也决定了每个人所能解决问题的宽度。
学编程，“Hello World”几乎是每个教程的第一步，这代表着你已经把工具环境准备到位，可以开始。
当你用编程语言解决某个具体问题时，就算正式入门。
比如，“输入 2 个不同的整数，输出较大的那个。”
这样一个判断大小的题目，你自己甚至可以立马给出答案。
但如何用编程来解决？
从这里开始， 你就得学会把问题分解到最小的执行步骤。
比如，编程里的赋值操作，“x=1; y=2”，把两个数分别放到两个变量，变量代号 x 和 y。
接着，利用数值比较和逻辑判断来比较大小，最后，输出那个大的数打印到计算机屏幕，“print(x if x > y else y)”。
这样看来，似乎编程并没有给我们带来好处，反倒增添了不少麻烦，这也是很多初学者一开始会有的疑惑。
虽然这只是个数学题的例子，但如果放大规模，执行 1 万次，你就会发现编程的优势。
到这里，也许你还没有感受到抽象的威力，那就再来一个案例，“把 10 个整数从小到大排序”。
先不用考虑最优解法，我们用最朴素的算法来解决这个问题。
- 第一步，把 10 个数字放到 10 个变量；
- 第二步，选择其中一个变量 x，和所有没被选择过的变量比较大小，如果发现有比它更小，就把两者的数字互换；
- 第三步，把 10 个变量都按第二步操作一遍；
- 最后，按选择顺序把变量一个个打印出来，就是 10 个数字从小到大的序列。
10 个数的排序问题可以这样解决，那么 1000 个数，10000 个数呢？
只要我们把算法设计好，规模只是一个变量的修改而已。
此外，这个问题第二步中的“比较大小”，和上一个案例一致，也就是说，上个案例是这个案例的子问题。
无论问题大小，我们都可以分解得到一系列的子问题，当子问题都有了具体解法，整个问题也就有了答案。 这就是分而治之的思想。
比大小、排序，这些都是抽象概念，和现实世界的具体问题之间还有一段距离。
那就再举个例子。
我们去淘宝买东西，经常有个习惯，在搜索关键词后，会按销量排列，这样就可以大致了解商品有多少人买过，至少可以规避掉一部分购物风险。（至少我是这么干的）
“按销量排列”，其实就是一次排序过程，只不过除了排序算法外，还得解决展示和交互等子问题。
当然，淘宝页面的排序算法也绝不仅仅是上面描述的那么简单，但背后的思想却是相同的：分而治之。
有了抽象思维，就更容易理解编程里的概念。
如果你多观察几门编程语言，会发现它们大都包含下面这些内容：
1、变量和基本数据类型；
2、数值和逻辑计算；
3、条件判断和循环；
4、函数和类；
5、基本输入输出；
6、多线程 / 多进程；
7、图形化、网络、数据库等。
其实，1～4 是语言的核心，5～7 是语言调用操作系统资源的封装，也就是语言在应用时的扩展。
就像上面举的案例，当我们要连续存放 10 个整数，可以用 10 个变量，也可以用一个“数组”变量，这是编程语言提供的基本数据结构支持。
数组可以方便用索引来遍历内容，免去我们写 10 次变量名的尴尬。
Python 语言里的数组是 List，比如“x=[1,2,3]”，还可以通过切片等操作更方便地操作数组。
这些都是“高级”语言提供的内置支持，就像你买 Macbook 自带触摸板而不用再购买鼠标，一个意思。
但，想要用好这些内置的特性，得知道什么时候适合用，用的时候有什么限制。
这就是为什么“数据结构”和“算法”那么重要。
当然，对于非职业程序员，掌握基本的数据结构和算法就已足够，更多情况下是调用别人准备好的“库”。
当我们语法背的滚瓜烂熟，也能按葫芦画瓢写点输入输出的命令行程序后，我们开始尝试着手解决实际问题。
但实际情况是： 没有抄的对象，就写不出代码；出了问题，不知道从何查起。
于是，高昂的热情，一次又一次被“错误提示”浇灭。
学编程遇到的第三道坎，是持续精进。
回到学习本身过程。
上学时候， 我们的学习是由四部分组成： 看书、听课、做题、考试。
- 看书，是自学过程，自己理解和感受知识；
- 听课，是老师对知识的演绎，用更多个性化的案例让学生“懂”；
- 做题，是知识强化过程，输入问题，输出答案，每一题都在强化知识在大脑的存在；
- 考试，是知识应用的检验，用未曾输入过的问题去检验大脑中的知识，看能否得出正确答案。
其中，听课、做题、考试是主旋律，看书往往是辅助而非强制。
这就让我们长期处于被动学习过程，一旦脱离“四件套”，就会找不到方向。
当然，这也造就了万亿级的成人教育市场。
学习过程，就是发现规律，强化规律，检验规律的过程。
还是拿上面的排序为案例，第一次理解排序有点吃力，第二次好像懂了点，第三次，第四次……
在一次次重复理解的过程中，可以用不同的 10 个数来检验，就像做数学题一样，加强自己对这个“规律”的理解。当我们遇到新的这类问题，能自然想起套用这条规律解题时，我们就真的掌握了它。
每个子问题可能都不难， 难的是因为没有真正掌握透，所以在实际应用的时候并不能熟练驾驭。
比如，经常有培训课教人学 Python 爬虫。
如果已经过了第二道坎，很容易就能看透爬虫的本质。
首先 ，爬虫解决的是自动数据获取问题，取代手工操作，更快更省力。
其次 ，爬虫问题可分解为 4 个子问题：1）模拟用户访问；2）抽取所需数据；3）保存数据；4）自动翻页或加载更多。
能解决 4 个子问题，就能解决爬虫问题。
- 对于临时爬虫需求，写代码解决这个问题并不是最好的，因为花的时间多，收益却非常有限。通过浏览器插件，如 WebScraper，或者不需要自动翻页的情况下，用 Xpath 也可以很好解决。
- 对于每天都要获取数据的情况，写代码会比较划算，因为花一份时间，可以持续每天获益。
最后 ，打开每个子问题，再划分出更细更具体的子问题。
- 比如，要用代码实现模拟用户的访问，就得先了解什么是 HTTP 请求，了解用户访问的流程；
- 比如，要提取数据，就得了解 HTML 的网页结构，了解如何用代码解析网页获取具体标签下的数据；
- 比如，数据保存在哪里，文本文件还是表格，或者是数据库，不管在哪储存，都得了解如何用代码写入数据；
以上所有的知识，都在编程语言之外，属于应用范畴。
此外，在执行过程中，还会遇到各式各样、稀奇古怪的“错误提示”，每个错误可能需要花几个小时才能解决。
从投入产出比看，学编程的早期，时间效益实在太差了。
长时间“无回报”式的投资，很容易让人选择放弃。
但那批坚持到破茧而出的人，仔细观察他们前后的变化，你会发现：
- 他们自学能力变强，擅长捕捉到事物内在规律；
- 他们看问题更透彻，这是逻辑思维训练的结果；
- 他们善于主动搜索，这是被错误调试逼出的能力。
学编程并不是为了当程序员，但每一个优秀程序员，都具备超越常人的能力。
所以，对于初学者而言，需要直面编程的三道坎。
第一道坎，掌握语法，这是通往计算机世界的钥匙。
第二道坎，学会问题抽象，这是解决问题的高级方式。
第三道坎，保持精进，在持续解决问题中获得成长。
工作以结果为导向，但能力却是在过程中锻炼而成。
不要去相信“X 天学会编程”的广告语，那些只会无限抬高自己的预期，当达不到时更容易放弃。
那么编程到底该怎么学？以 Python 为例：
1、 选教材 ，《A Byte of Python》，中文翻译叫《Python 简明教程》，直接搜索就可以找到；
2、 选习题 ，Github 上有个《Python – 100 天从新手到大师》，照着练习做题，先学会基本的 Day1-Day7；
3、 练项目 ，选择一个应用方向，比如图形化、Web 网络、数据分析等，然后再从上面的习题挑选对应内容练习；
4、 找答案 ，出错了，遇到问题了，先学会搜索（99.9% 的问题都有现成答案），再找人问。如果去各大技术论坛提问，记得先看看有没有人提过类似问题。
当然也可以在这留言，我会尽力提供帮助:-)
先写到这里，后面有机会再展开讲具体内容。
如果这篇文章对你有帮助，记得帮我点个赞，谢过～
文后思考：
不管是科学还是人文，终将会把人拉回哲学的思考。
人文更关注具象的个体，科学更关心内在规律。
虽然我们可以从世界中提取规则，但每个个体都是独一无二的存在。
有的人擅长理性思考，轻松洞察到深层次的规律；
有的人擅长艺术创作，用感性作品影响更多个体。
但不管是理性还是感性，终将回归现实，解决或近或远的发展问题。
END