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