day4-python-装饰器迭代器

一、装饰器

定义：本质是函数
功能：装饰其他函数
就是为其他函数添加附加功能
原则：
（1）不能修改被装饰的函数的源代码
（2）不能修改被装饰的函数的调用方式

#!/usr/bin/env python
# -*- coding:utf-8 -*-
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')

实现装饰器知识储备：
（1）函数即“变量”

#!/usr/bin/env python
# -*- coding:utf-8 -*-
def foo():
     print('in the foo')
     bar()
foo()

def bar():
     print('in the bar')
 def foo():
     print('in the foo')
     bar()
 foo()


 def foo():
     print('in the foo')
     bar()
 def bar():
     print('in the bar')
 foo()

 def foo():
     print('in the foo')
     bar()
 foo()
 def bar():
     print('in the bar')

（2）高阶函数
a：把一个函数名当做实参传给另外一个函数（在不修改被装饰函数源代码的情况下为其添加功能）

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import time
def bar():
    time.sleep(3)
    print('in the bar')

def test1(func):
    start_time = time.time()
    func()  #run bar
    stop_time = time.time()
    print("the func run time is %s" %(stop_time-start_time))

test1(bar)

b：返回值中包含函数名（不修改函数的调用方式）

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import time
def bar():
    time.sleep(3)
    print('in the bar')
def test2(func):
    print(func)
    return func

# print(test2(bar))
bar = test2(bar)
bar()

（3）嵌套函数

#!/usr/bin/env python
# -*- coding:utf-8 -*-
def foo():
    print('in the foo')
    def bar():
        print('in the bar')
    bar()
foo()

高阶函数+嵌套函数=》装饰器 

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import time
def timer(func):    #timer(test1) func=test1
    def deco():
        start_time = time.time()
        func()
        stop_time = time.time()
        print('the func run time is %s' %(stop_time-start_time))
    return deco

@timer #test1 = timer(test1)
def test1():
    time.sleep(3)
    print('in the test1')

@timer
def test2():
    time.sleep(3)
    print('in the test2')


# test1 = timer(test1)
# test1() #-->deco
test1()
test2()

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import time
def timer(func):    #timer(test1) func=test1
    def deco(*args,**kwargs):
        start_time = time.time()
        func(*args,**kwargs)
        stop_time = time.time()
        print('the func run time is %s' %(stop_time-start_time))
    return deco

@timer #test1 = timer(test1)
def test1():
    time.sleep(1)
    print('in the test1')

@timer #test2 = timer(test2) = deco test2()=deco()
def test2(name,age):
    print("test2:",name,age)


# test1 = timer(test1)
# test1() #-->deco
test1()
test2("alex",22)

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import time
user,passwd = 'alex','abc123'
def auth(auth_type):
    print("auth func:",auth_type)
    def outer_wrapper(func):
        def wrapper(*args,**kwargs):
            print("wrapper func args:", *args,**kwargs)
            if auth_type == "local":
                username = input("Username:").strip()
                password = input("Password:").strip()

                if user == username and passwd == password:
                    print("33[32;1mUser has passed authentication33[0m")
                    res = func(*args,**kwargs)
                    print("---after authentication")
                    return res
                else:
                    exit("33[32;1mInvalid username or password33[0m")
            elif auth_type == "ldap":
                print("搞毛线ldap，不会。。。")
        return wrapper
    return outer_wrapper
def index():
    print("welcome to index page")
@auth(auth_type="local")
def home():
    print("welcome to index page")
    return "from home"
@auth(auth_type="ldap")
def bbs():
    print("welcome to index page")

index()
home()
bbs()

二、生成器

1、只有在调用时才会调用响应的数据
2、只记录当前的位置
3、只有一个__next__()方法。next()
( i*i for i in range(10) )

斐波那契数列：

#!/usr/bin/env python
# -*- coding:utf-8 -*-

def fib(max):
    n, a, b = 0, 0, 1
    while n<max:
        # print(b)
        yield b
        a, b = b, a + b
        n = n + 1
    return '---done---'
# f = fib(10)
g = fib(6)
while True:
    try:
        x = next(g)
        print('g:',x)
    except StopIteration as e:
        print('Generator return value:',e.value)
        break
# print(f.__next__())
# print("========")
# print(f.__next__())
# print(f.__next__())
# print(f.__next__())
#
# print("====start loop=======")
# for i in f:
#     print(i)

4、生成器并行

#!/usr/bin/env python
# -*- coding:utf-8 -*-

import time
def consumer(name):
    print("%s 准备吃包子啦" %name)
    while True:
        baozi = yield

        print("包子[%s]来了，被[%s]吃了！"%(baozi,name))
c = consumer("ChenRonghua")
# c.__next__()
# b1 = "韭菜馅"
# c.send(b1)
# c.__next__()


def producer(name):
    c = consumer('A')
    c2 = consumer('B')
    c.__next__()
    c2.__next__()
    print("老子开始准备做包子啦")
    for i in range(10):
        time.sleep(1)
        print("做了1个包子,分了两半！")
        c.send(i)
        c2.send(i)

producer("alex")

三、迭代器

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

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

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

四、jsonpickle数据序列化

json序列化1

#!/usr/bin/env python
# -*- coding:utf-8 -*-
# import json
import pickle
def sayhi(name):
    print("hello",name)

info = {
    'name':'alex',
    'age':22,
    'func':sayhi
}
f = open("text.text","wb")
# print(json.dumps(info))
f.write(pickle.dumps(info))

f.close()

json反序列化1

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import pickle

def sayhi(name):
    print("hello2",name)

f = open("text.text","rb")
data = pickle.loads(f.read())
print(data["func"]("alex"))

json序列化2

#!/usr/bin/env python
# -*- coding:utf-8 -*-
# import json
import pickle
def sayhi(name):
    print("hello",name)

info = {
    'name':'alex',
    'age':22,
    'func':sayhi
}
f = open("text.text","wb")
pickle.dump(info,f)
# f.write(pickle.dumps(info))

f.close()

json反序列化2

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import pickle

def sayhi(name):
    print("hello2",name)

f = open("text.text","rb")
data = pickle.load(f)
# data = pickle.loads(f.read())
print(data["func"]("alex"))

json序列化3

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import json

def sayhi(name):
    print("hello",name)

info = {
    'name':'alex',
    'age':22,
}
f = open("text.text","w")
f.write(json.dumps(info))

info['age'] = 21
f.write(json.dumps(info))
f.close()

json反序列化3

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import json

f = open("text.text","r")
data = json.load(f)
print(data)

五、内置方法

#!/usr/bin/env python
# -*- coding:utf-8 -*-
# print(all([1,-5,3]))
# print(any([1,0,3]))
# print(any([]))
# a = ascii([1,2,"外挂"])
# print(type(a),[a])

# a = bytes("abcde",encoding="utf-8")
# b = bytearray("abcde",encoding="utf-8")
# print(b[1])
# b[1] = 50
# print(b)
# print(a.capitalize(),a)

# def sayhi():
#     pass
# print(callable(sayhi))

#  code = '''
# def fib(max):
#     n, a, b = 0, 0, 1
#     while n<max:
#         # print(b)
#         yield b
#         a, b = b, a + b
#         n = n + 1
#     return '---done---'
# # f = fib(10)
# g = fib(6)
# while True:
#     try:
#         x = next(g)
#         print('g:',x)
#     except StopIteration as e:
#         print('Generator return value:',e.value)
#         break
# '''
# py_obj = compile(code,"err.log","exec")
# exec(py_obj)

# def sayhi(n):
#     print(n)
# sayhi(3)
#
# # (lambda n:print(n))(5)
# calc = lambda n:3 if n<4 else n
# calc(2)

# res = filter(lambda n:n>5,range(10))
# res = map(lambda n:n*n,range(10))
# res = [lambda i:i*2 for i in range(10)]
# import functools
# res = functools.reduce(lambda x,y:x*y,range(1,10))
# print(res)

# a = frozenset([1,4,33,4555,6664,432])
# print(globals())

# def test():
#     local_var = 333
#     print(locals())
# test()
# print(globals())
# print(globals().get('local_var'))

# a = {6:2,8:0,1:4,-5:6,99:11,4:22}
# print(sorted(a.items(),key=lambda x:x[1]))
# print(a)

a = [1,2,3,4]
b = ['a','b','c','d']

for i in zip(a,b):
    print(i)

六、软件目录规范

目录组织方式

关于如何组织一个较好的Python工程目录结构，已经有一些得到了共识的目录结构。在Stackoverflow的这个问题上，能看到大家对Python目录结构的讨论。

这里面说的已经很好了，我也不打算重新造轮子列举各种不同的方式，这里面我说一下我的理解和体会。

假设你的项目名为foo, 我比较建议的最方便快捷目录结构这样就足够了:

Foo/
|-- bin/
|   |-- foo
|
|-- foo/
|   |-- tests/
|   |   |-- __init__.py
|   |   |-- test_main.py
|   |
|   |-- __init__.py
|   |-- main.py
|
|-- docs/
|   |-- conf.py
|   |-- abc.rst
|
|-- setup.py
|-- requirements.txt
|-- README

简要解释一下:

1. bin/: 存放项目的一些可执行文件，当然你可以起名script/之类的也行。
2. foo/: 存放项目的所有源代码。(1) 源代码中的所有模块、包都应该放在此目录。不要置于顶层目录。(2) 其子目录tests/存放单元测试代码； (3) 程序的入口最好命名为main.py。
3. docs/: 存放一些文档。
4. setup.py: 安装、部署、打包的脚本。
5. requirements.txt: 存放软件依赖的外部Python包列表。
6. README: 项目说明文件。

除此之外，有一些方案给出了更加多的内容。比如LICENSE.txt,ChangeLog.txt文件等，我没有列在这里，因为这些东西主要是项目开源的时候需要用到。如果你想写一个开源软件，目录该如何组织，可以参考这篇文章。

下面，再简单讲一下我对这些目录的理解和个人要求吧。

关于README的内容

这个我觉得是每个项目都应该有的一个文件，目的是能简要描述该项目的信息，让读者快速了解这个项目。

它需要说明以下几个事项:

1. 软件定位，软件的基本功能。
2. 运行代码的方法: 安装环境、启动命令等。
3. 简要的使用说明。
4. 代码目录结构说明，更详细点可以说明软件的基本原理。
5. 常见问题说明。

我觉得有以上几点是比较好的一个README。在软件开发初期，由于开发过程中以上内容可能不明确或者发生变化，并不是一定要在一开始就将所有信息都补全。但是在项目完结的时候，是需要撰写这样的一个文档的。

可以参考Redis源码中Readme的写法，这里面简洁但是清晰的描述了Redis功能和源码结构。

关于requirements.txt和setup.py

setup.py

一般来说，用setup.py来管理代码的打包、安装、部署问题。业界标准的写法是用Python流行的打包工具setuptools来管理这些事情。这种方式普遍应用于开源项目中。不过这里的核心思想不是用标准化的工具来解决这些问题，而是说，一个项目一定要有一个安装部署工具，能快速便捷的在一台新机器上将环境装好、代码部署好和将程序运行起来。

这个我是踩过坑的。

我刚开始接触Python写项目的时候，安装环境、部署代码、运行程序这个过程全是手动完成，遇到过以下问题:

1. 安装环境时经常忘了最近又添加了一个新的Python包，结果一到线上运行，程序就出错了。
2. Python包的版本依赖问题，有时候我们程序中使用的是一个版本的Python包，但是官方的已经是最新的包了，通过手动安装就可能装错了。
3. 如果依赖的包很多的话，一个一个安装这些依赖是很费时的事情。
4. 新同学开始写项目的时候，将程序跑起来非常麻烦，因为可能经常忘了要怎么安装各种依赖。

setup.py可以将这些事情自动化起来，提高效率、减少出错的概率。"复杂的东西自动化，能自动化的东西一定要自动化。"是一个非常好的习惯。

setuptools的文档比较庞大，刚接触的话，可能不太好找到切入点。学习技术的方式就是看他人是怎么用的，可以参考一下Python的一个Web框架，flask是如何写的: setup.py

当然，简单点自己写个安装脚本（deploy.sh）替代setup.py也未尝不可。

requirements.txt

这个文件存在的目的是:

1. 方便开发者维护软件的包依赖。将开发过程中新增的包添加进这个列表中，避免在setup.py安装依赖时漏掉软件包。
2. 方便读者明确项目使用了哪些Python包。

这个文件的格式是每一行包含一个包依赖的说明，通常是flask>=0.10这种格式，要求是这个格式能被pip识别，这样就可以简单的通过 pip install -r requirements.txt来把所有Python包依赖都装好了。具体格式说明： 点这里。

关于配置文件的使用方法

注意，在上面的目录结构中，没有将conf.py放在源码目录下，而是放在docs/目录下。

很多项目对配置文件的使用做法是:

1. 配置文件写在一个或多个python文件中，比如此处的conf.py。
2. 项目中哪个模块用到这个配置文件就直接通过import conf这种形式来在代码中使用配置。

这种做法我不太赞同:

1. 这让单元测试变得困难（因为模块内部依赖了外部配置）
2. 另一方面配置文件作为用户控制程序的接口，应当可以由用户自由指定该文件的路径。
3. 程序组件可复用性太差，因为这种贯穿所有模块的代码硬编码方式，使得大部分模块都依赖conf.py这个文件。

所以，我认为配置的使用，更好的方式是，

1. 模块的配置都是可以灵活配置的，不受外部配置文件的影响。
2. 程序的配置也是可以灵活控制的。

七、作业

作业需求：

模拟实现一个ATM + 购物商城程序

1. 额度 15000或自定义
2. 实现购物商城，买东西加入 购物车，调用信用卡接口结账
3. 可以提现，手续费5%
4. 每月22号出账单，每月10号为还款日，过期未还，按欠款总额 万分之5 每日计息
5. 支持多账户登录
6. 支持账户间转账
7. 记录每月日常消费流水
8. 提供还款接口
9. ATM记录操作日志 
10. 提供管理接口，包括添加账户、用户额度，冻结账户等。。。
11. 用户认证用装饰器