标签：dap 讲解 方式 进阶 调用 包子 功能 函数名 python
一、装饰器：
1、装饰器定义：
本质是函数，装饰其它函数，就是为其他函数添加附加功能。
import time def timmer(func): def warpper(*args,**kwargs): start_time=time.time() func() stop_time=time.time() print(‘the func run time is %s‘ %(stop_time-start_time)) return warpper @timmer def test1(): time.sleep(3) print(‘in the test1‘) test1()
3、实现装饰器知识储备
3.1.函数即’变量‘
3.2.高阶函数
满足下列条件之一就可成函数为高阶函数
某一函数名当做实参传给另一个函数中（在不修改被装饰函数源代码的情况下为其添加功能）
函数的返回值包含n个函数名,n>0（不修改函数的调用方式）
高阶函数示范：
def bar(): print ‘in the bar‘ def foo(func): res=func() return res foo(bar)
高阶函数牛x之处：
def foo(func): return func print ‘Function body is %s‘ %(foo(bar)) print ‘Function name is %s‘ %(foo(bar).func_name) foo(bar)() #foo(bar)() 等同于bar=foo(bar)然后bar() bar=foo(bar) bar()
test2(bar()) #传递函数返回值
和test2(bar) #传递的函数地址
3.3.嵌套函数
在一个函数体内定义一个函数，而不是调用一个函数(基于python支持静态嵌套域)
高阶函数+嵌套函数=>>装饰器
函数嵌套示范：
def foo(): def bar(): print ‘in the bar‘ bar() foo() # bar()
局部作用域和全局作用域的访问顺序:
x=0 def grandpa(): # x=1 def dad(): x=2 def son(): x=3 print x son() dad() grandpa()
局部变量修改对全局变量的影响:
y=10 # def test(): # y+=1 # print y def test(): # global y y=2 print y test() print y def dad(): m=1 def son(): n=2 print ‘--->‘,m + n print ‘-->‘,m son() dad()
3.4匿名函数 lambda 和普通函数一样
calc = lambda x:x*3 print(clac(3)
4.闭包：如果在一个内部函数里，对在外部作用域(但不是在全局作用域）的变量进行引用，那么内部函数就被认为是 closure
def counter(start_num=0): count=[start_num] def incr(): count[0]+=1 return count[0] return incr print counter() print counter()() print counter()() c=counter() print c() print c()
5.装饰器进阶
装饰器原理：
import time def timer(func): #timer(test1) def deco(): """ 在返回时调用该函数 :return: """ start_time = time.time() func() #run test1函数 stop_time=time.time() print(‘the func run time is %s‘ %(stop_time-start_time)) return deco @timer #test1=timer(test1)运行函数 def test1(): time.sleep(3) print(‘in the test1‘) @timer def test2(): time.sleep(3) print(‘in the test2‘) # test1() # test2() # deco(test1) #可以实现运行，但改变了test1运行方式 # deco(test2) #可以实现运行，但改变了test2运行方式 # test1=timer(test1) test1() test2() # test2=deco(test2) # test2()
增加参数：
带有参数的，报错：
test2() File "E:/python34foexam/test-decorator.py", line 58, in deco func() #run test1函数 TypeError: test2() missing 1 required positional argument: ‘name‘
改正，加入参数：
import time def timer(func): #timer(test1) def deco(*args,**kwargs): """ 在返回时调用该函数 :return: """ start_time = time.time() func(*args,**kwargs) #run test1函数 stop_time=time.time() print(‘the func run time is %s‘ %(stop_time-start_time)) return deco #返回deco函数内存地址 @timer #test1=timer(test1)运行函数 def test1(): time.sleep(3) print(‘in the test1‘) @timer def test2(name): time.sleep(3) print(‘in the test2‘) # test1() # test2() # deco(test1) #可以实现运行，但改变了test1运行方式 # deco(test2) #可以实现运行，但改变了test2运行方式 # test1=timer(test1) test1() test2(‘alex‘) # test2=deco(test2) # test2()
装饰器应用实例：
装饰器功能：函数超时则终止
# -*- coding: utf-8 -*- from threading import Thread import time class TimeoutException(Exception): pass ThreadStop = Thread._Thread__stop#获取私有函数 def timelimited(timeout): def decorator(function): def decorator2(*args,**kwargs): class TimeLimited(Thread): def __init__(self,_error= None,): Thread.__init__(self) self._error = _error def run(self): try: self.result = function(*args,**kwargs) except Exception,e: self._error =e def _stop(self): if self.isAlive(): ThreadStop(self) t = TimeLimited() t.start() t.join(timeout) if isinstance(t._error,TimeoutException): t._stop() raise TimeoutException(‘timeout for %s‘ % (repr(function))) if t.isAlive(): t._stop() raise TimeoutException(‘timeout for %s‘ % (repr(function))) if t._error is None: return t.result return decorator2 return decorator @timelimited(2) def fn_1(secs): time.sleep(secs) return ‘Finished‘ if __name__ == "__main__": print fn_1(4)
装饰器终极（高级版）：
模拟n个页面，m个需要验证登录的情况，且home()和bbs()需要不同的验证方式
user,passwd=‘alex‘,‘abc123‘ def auth(func): def wrapper(*args,**kwargs): username = input(‘Username‘).strip() password = input(‘Password‘).strip() if username == user and password == passwd: print(‘\033[32;1mUser has passed authentication\033[0m‘) # return func(*args, **kwargs) res = func(*args,**kwargs) print(res) print(‘----after authentication‘) return res #处理调用不同函数时的返回值 else: exit(‘\033[32;1mInvalid username or password\033[0m‘) return wrapper @auth def index(): print(‘welcome to index page‘) @auth def home(): print(‘welcome to home page‘) return "from home" @auth def bbs(): print(‘welcome to bbs page‘) index() home() bbs()
user,passwd=‘alex‘,‘abc123‘ def auth(auth_type): def outer_wrapper(func): def wrapper(*args,**kwargs): username = input(‘Username‘).strip() password = input(‘Password‘).strip() if username == user and password == passwd: print(‘\033[32;1mUser has passed authentication\033[0m‘) # return func(*args, **kwargs) res = func(*args,**kwargs) print(res) print(‘----after authentication‘) return res #处理调用不同函数时的返回值 else: exit(‘\033[32;1mInvalid username or password\033[0m‘) return wrapper return outer_wrapper def index(): print(‘welcome to index page‘) @auth(auth_type="local") #传local验证 def home(): print(‘welcome to home page‘) return "from home" @auth(auth_type="ldap") #传ldap验证 def bbs(): print(‘welcome to bbs page‘) index() home() bbs()
二、迭代器：
我现在有个需求，看列表[0, 1, 2, 3, 4, 5, 6, 7, 8, 9],我要求你把列表里的每个值加1，你怎么实现？你可能会想到2种方式
普通版
>>> a [1, 2, 3, 4, 5, 6, 7, 8, 9, 10] >>> a = map(lambda x:x+1, a) >>> a <map object at 0x101d2c630> >>> for i in a:print(i) ... 2 3 4 5 6 7 8 9 10 11
其实还有一种写法，如下 ：
>>> a = [i+1 for i in range(10)] >>> a [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
这就叫做列表生成，如：
[func(i) for i in range(10)]
迭代器与生成器：
通过列表生成式，我们可以直接创建一个列表。但是，受到内存限制，列表容量肯定是有限的。而且，创建一个包含100万个元素的列表，不仅占用很大的存储空间，如果我们仅仅需要访问前面几个元素，那后面绝大多数元素占用的空间都白白浪费了。
所以，如果列表元素可以按照某种算法推算出来，那我们是否可以在循环的过程中不断推算出后续的元素呢？这样就不必创建完整的list，从而节省大量的空间。在Python中，这种一边循环一边计算的机制，称为生成器：generator。
要创建一个generator，有很多种方法。第一种方法很简单，只要把一个列表生成式的[]改成()，就创建了一个generator：
>>> L = [x * x for x in range(10)] >>> L [0, 1, 4, 9, 16, 25, 36, 49, 64, 81] >>> g = (x * x for x in range(10)) >>> g <generator object <genexpr> at 0x1022ef630>
创建L和g的区别仅在于最外层的[]和()，L是一个list，而g是一个generator。
我们可以直接打印出list的每一个元素，但我们怎么打印出generator的每一个元素呢？
如果要一个一个打印出来，可以通过next()函数获得generator的下一个返回值：
>>> next(g) 0 >>> next(g) 1 >>> next(g) 4 >>> next(g) 9 >>> next(g) 16 >>> next(g) 25 >>> next(g) 36 >>> next(g) 49 >>> next(g) 64 >>> next(g) 81 >>> next(g) Traceback (most recent call last): File "<stdin>", line 1, in <module> StopIteration
2.x中用next()方法，3.x中用x.__next__()
我们讲过，generator保存的是算法，每次调用next(g)，就计算出g的下一个元素的值，直到计算到最后一个元素，没有更多的元素时，抛出StopIteration的错误。
生成器只有在调用时才会生成相应数据，且只记录当前位置，只有一个__next__()方法
当然，上面这种不断调用next(g)实在是太变态了，正确的方法是使用for循环，因为generator也是可迭代对象：
>>> g = (x * x for x in range(10)) >>> for n in g: ... print(n) ... 0 1 4 9 16 25 36 49 64 81
所以，我们创建了一个generator后，基本上永远不会调用next()，而是通过for循环来迭代它，并且不需要关心StopIteration的错误。
generator非常强大。如果推算的算法比较复杂，用类似列表生成式的for循环无法实现的时候，还可以用函数来实现。
比如，著名的斐波拉契数列（Fibonacci），除第一个和第二个数外，任意一个数都可由前两个数相加得到：
1, 1, 2, 3, 5, 8, 13, 21, 34, ...
斐波拉契数列用列表生成式写不出来，但是，用函数把它打印出来却很容易：
def fib(max): n, a, b = 0, 0, 1 while n < max: print(b) a, b = b, a + b n = n + 1 return ‘done‘
注意，赋值语句：
a, b = b, a + b
但不必显式写出临时变量t就可以赋值。
上面的函数可以输出斐波那契数列的前N个数：
>>> fib(10) 1 1 2 3 5 8 13 21 34 55 done
仔细观察，可以看出，fib函数实际上是定义了斐波拉契数列的推算规则，可以从第一个元素开始，推算出后续任意的元素，这种逻辑其实非常类似generator。
也就是说，上面的函数和generator仅一步之遥。要把fib函数变成generator，只需要把print(b)改为yield b就可以了：
def fib(max): n,a,b = 0,0,1 while n < max: #print(b) yield b #返回的值，加yield,返回并保存当前状态值 a,b = b,a+b n += 1 return ‘done‘
这就是定义generator的另一种方法。如果一个函数定义中包含yield关键字，那么这个函数就不再是一个普通函数，而是一个generator：
>>> f = fib(6) >>> f <generator object fib at 0x104feaaa0>
这里，最难理解的就是generator和函数的执行流程不一样。函数是顺序执行，遇到return语句或者最后一行函数语句就返回。而变成generator的函数，在每次调用next()的时候执行，遇到yield语句返回，再次执行时从上次返回的yield语句处继续执行。
data = fib(10) print(data) print(data.__next__()) print(data.__next__()) print("干点别的事") print(data.__next__()) print(data.__next__()) print(data.__next__()) print(data.__next__()) print(data.__next__()) #输出 <generator object fib at 0x101be02b0> 1 1 干点别的事 2 3 5 8 13
在上面fib的例子，我们在循环过程中不断调用yield，就会不断中断。当然要给循环设置一个条件来退出循环，不然就会产生一个无限数列出来。
同样的，把函数改成generator后，我们基本上从来不会用next()来获取下一个返回值，而是直接使用for循环来迭代：
>>> for n in fib(6): ... print(n) ... 1 1 2 3 5 8
但是用for循环调用generator时，发现拿不到generator的return语句的返回值。如果想要拿到返回值，必须捕获StopIteration错误，返回值包含在StopIteration的value中：
>>> g = fib(6) >>> while True: ... try: ... x = next(g) ... print(‘g:‘, x) ... except StopIteration as e: ... print(‘Generator return value:‘, e.value) ... break ... g: 1 g: 1 g: 2 g: 3 g: 5 g: 8 Generator return value: done
关于如何捕获错误，后面的错误处理还会详细讲解。
还可通过yield实现在单线程的情况下实现并发运算的效果
import time def consumer(name): print(‘%s 准备吃包子了！‘%name) while True: baozi = yield print(‘包子[%s]来了，被[%s]吃了！‘%(baozi,name)) def producer(name): c=consumer(‘A‘) c2=consumer(‘B‘) c.__next__() #生成器不是函数，只会在内存生成，所以必须先运行一下next，先让它生成做好准备 c2.__next__() print(‘老子开始做包子啦!‘) for i in range(10): time.sleep(1) print(‘做了2个包子!‘) c.send(i) c2.send(i) producer(‘alex‘)
c.send(‘值‘)，可以把值发给yield。
我们已经知道，可以直接作用于for循环的数据类型有以下几种：
一类是集合数据类型，如list、tuple、dict、set、str等；
一类是generator，包括生成器和带yield的generator function。
这些可以直接作用于for循环的对象统称为可迭代对象：Iterable。
可以使用isinstance()判断一个对象是否是Iterable对象：
>>> from collections import Iterable >>> isinstance([], Iterable) True >>> isinstance({}, Iterable) True >>> isinstance(‘abc‘, Iterable) True >>> isinstance((x for x in range(10)), Iterable) True >>> isinstance(100, Iterable) False
而生成器不但可以作用于for循环，还可以被next()函数不断调用并返回下一个值，直到最后抛出StopIteration错误表示无法继续返回下一个值了。
*可以被next()函数调用并不断返回下一个值的对象称为迭代器：Iterator。
可以使用isinstance()判断一个对象是否是Iterator对象：
>>> from collections import Iterator >>> isinstance((x for x in range(10)), Iterator) True >>> isinstance([], Iterator) False >>> isinstance({}, Iterator) False >>> isinstance(‘abc‘, Iterator) False
a=[1,2,3] #是可迭代对象，不是迭代器，因为它没有__next__()方法 dir(a)
生成器都是Iterator对象，但list、dict、str虽然是Iterable，却不是Iterator。
把list、dict、str等Iterable变成Iterator可以使用iter()函数：
>>> isinstance(iter([]), Iterator) True >>> isinstance(iter(‘abc‘), Iterator) True
可以通过iter()方法，将对象变成迭代器：
>>> from collections import Iterator >>> a=[1,2,3] >>> iter(a) <list_iterator object at 0x0138BE50> >>> b=iter(a) >>> b.__next__() 1 >>> b.__next__() 2 >>> b.__next__() 3
你可能会问，为什么list、dict、str等数据类型不是Iterator？
这是因为Python的Iterator对象表示的是一个数据流，Iterator对象可以被next()函数调用并不断返回下一个数据，直到没有数据时抛出StopIteration错误。可以把这个数据流看做是一个有序序列，但我们却不能提前知道序列的长度，只能不断通过next()函数实现按需计算下一个数据，所以Iterator的计算是惰性的，只有在需要返回下一个数据时它才会计算。
Iterator甚至可以表示一个无限大的数据流，例如全体自然数。而使用list是永远不可能存储全体自然数的。
小结
凡是可作用于for循环的对象都是Iterable类型；
凡是可作用于next()函数的对象都是Iterator类型，它们表示一个惰性计算的序列；
集合数据类型如list、dict、str等是Iterable但不是Iterator，不过可以通过iter()函数获得一个Iterator对象。
Python的for循环本质上就是通过不断调用next()函数实现的，例如：
for x in [1, 2, 3, 4, 5]: pass
实际上完全等价于：
# 首先获得Iterator对象: it = iter([1, 2, 3, 4, 5]) # 循环: while True: try: # 获得下一个值: x = next(it) except StopIteration: # 遇到StopIteration就退出循环 break
2.x的range()是列表，xrange()是迭代器，3.x range()就是迭代器
标签：dap 讲解 方式 进阶 调用 包子 功能 函数名 python
原文地址：http://www.cnblogs.com/ld1977/p/6123875.html
