1、装饰器
装饰器本质是函数，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
实现装饰器 知识储备
1.函数即“变量”
2.高阶函数
a.把一个函数当作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）
b.返回值中包含函数名（不修改函数的调用方式）
3.嵌套函数
高阶函数+嵌套函数 = 装饰器
高阶函数#变量可以指向函数，函数的参数能接收变量，那么一个函数就可以接收另一个函数作为参数，这种函数就称之为高阶函数。 嵌套函数：在一个函数体内创建另外一个函数，这种函数就叫内嵌函数(基于python支持静态嵌套域)
知识回顾
高阶函数
def bar():
print ("in the bar")
def foo(func):
res=func()
return res
foo(bar)#!/usr/bin/env python
#-*- coding:utf-8 -*-
# Author:DCCimport
import time
def bar():
time.sleep(2)
print("in the bar")
def test1(func):
start_time=time.time()
func()
stop_time=time.time()
print("run time is %s" %(stop_time-start_time))
test1(bar)嵌套函数
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()注：函数是存在内存中的，只有退出程序后函数才从内存中删除。如果想删除内存中的函数，用del
匿名函数
lambda x:x*3 calc = lambda x:x*3 print(calc(3))
运行结果：
9
装饰器
（1）单独以f1为例：
def w1(func): def inner(): # 验证1 # 验证2 # 验证3 return func() return inner @w1 def f1(): print 'f1'
当写完这段代码后（函数未被执行、未被执行、未被执行），python解释器就会从上到下解释代码，步骤如下：
def w1(func): ==>将w1函数加载到内存
@w1
没错，从表面上看解释器仅仅会解释这两句代码，因为函数在没有被调用之前其内部代码不会被执行。
从表面上看解释器着实会执行这两句，但是 @w1 这一句代码里却有大文章，@函数名 是python的一种语法糖。
如上例@w1内部会执行一下操作：
执行w1函数，并将 @w1 下面的 函数 作为w1函数的参数，即：@w1 等价于 w1(f1)
所以，内部就会去执行：
def inner:
#验证
return f1() # func是参数，此时 func 等于 f1
return inner # 返回的 inner，inner代表的是函数，非执行函数
其实就是将原来的 f1 函数塞进另外一个函数中将执行完的 w1 函数返回值赋值给@w1下面的函数的函数名
w1函数的返回值是：
def inner:
#验证
return 原来f1() # 此处的 f1 表示原来的f1函数
然后，将此返回值再重新赋值给 f1，即：
新f1 = def inner:
#验证
return 原来f1()
所以，以后业务部门想要执行 f1 函数时，就会执行 新f1 函数，在 新f1 函数内部先执行验证，再执行原来的f1函数，然后将 原来f1 函数的返回值 返回给了业务调用者。
如此一来， 即执行了验证的功能，又执行了原来f1函数的内容，并将原f1函数返回值 返回给业务调用着
（2）问答时间
问题：一个函数可以被多个装饰器装饰吗？
def w1(func): def inner(*args,**kwargs): # 验证1 # 验证2 # 验证3 return func(*args,**kwargs) return inner def w2(func): def inner(*args,**kwargs): # 验证1 # 验证2 # 验证3 return func(*args,**kwargs) return inner @w1 @w2 def f1(arg1,arg2,arg3): print 'f1'
2、生成器
列表生成式（中括号）
优点：使代码更简洁，也可以执行函数
list=[ i*2 for i in range(10)] print(list)
运行结果
[0, 2, 4, 6, 8, 10, 12, 14, 16, 18]
注：range默认是从0开始的。
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是一个list[]，g是一个generator()
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。
#!/usr/bin/env python #-*- coding:utf-8 -*- # Author:DCC l = [x * x for x in range(5)] print(l) g = (x * x for x in range(5)) print(g) print(next(g)) print(next(g)) print(next(g)) print(next(g)) print(next(g)) print(next(g)) #运行结果 [0, 1, 4, 9, 16] <generator object <genexpr> at 0x00000000006969E8> 1 9 Traceback (most recent call last): File "<stdin>", line 1, in <module> StopIteration
小结：生成器与列表的区别
生成器：调用的时候才会生成
列表：先执行出所有的值
用函数制作生成器
斐波拉契数列:
def fib(max): n, a, b = 0, 0, 1 while n < max: print(b) a, b = b, a + b n = n + 1 return 'done' fib(10) #运行结果 1 3 8 21 55
a, b = b, a + b
相当于
t = (b, a + b) # t是一个tuple
a = t[0]b = t[1]******yield 将print(b)改为yield b，fib函数变成generator
def fib(max): n,a,b = 0,0,1 while n < max: #print(b) yield b a,b = b,a+b n += 1 return 'done' print(fib(5)) print(fib(5).__next__()) print(fib(5).__next__()) #运行结果 <generator object fib at 0x000001CDB2D511A8> 1
通过yield实现在单线程的情况下实现并发运算的效果， send的使用
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))
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(5):
time.sleep(1)
print("做了2个包子!")
c.send(i)
c2.send(i)
producer("dcc")
#运行结果
A 准备吃包子啦!
B 准备吃包子啦!
老子开始准备做包子啦!
做了2个包子!
包子[0]来了,被[A]吃了!
包子[0]来了,被[B]吃了!
做了2个包子!
包子[1]来了,被[A]吃了!
包子[1]来了,被[B]吃了!
做了2个包子!
包子[2]来了,被[A]吃了!
包子[2]来了,被[B]吃了!
做了2个包子!
包子[3]来了,被[A]吃了!
包子[3]来了,被[B]吃了!
做了2个包子!
包子[4]来了,被[A]吃了!
包子[4]来了,被[B]吃了!注：
__next__ 只会调用yield
send不仅会调用yield，野会给yield传个值
3、迭代器
Iterable：可迭代的
Iterator：迭代器
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；
简而言之：
1.可用于for循环的
2.有next方法的就可以成为迭代器
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。
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
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。
>>> 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实例
#!/usr/bin/env python
#-*- coding:utf-8 -*-
# Author:DCC
import time
def timer(func):
def deco(*args,**kwargs):
# def warpper(*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(3)
print("in the test1")
@timer # test2 = timer(test2) =deco
def test2(name,age):
print(name,age)
print("in the test2")
test1()
test2("dcc","2;5")4、json的简单实用
json官方说明参见：http://json.org/
Python操作json的标准api库参考：http://docs.python.org/library/json.html
重要函数
编码：把一个Python对象编码转换成Json字符串 json.dumps()
解码：把Json格式字符串解码转换成Python对象 json.loads()
>>> import json
>>> info = {
"name":"test",
"age":"25",
"sex":"man",
"type":{"name1":"test1","parameter":["1","2"]}
}
>>> print(type(info))
<class 'dict'>
>>> j = json.dumps(info)
>>> print(j)
{"sex": "man", "type": {"name1": "test1", "parameter": ["1", "2"]}, "age": "25", "name": "test"}
>>> d = json.loads(j)
>>> print(d)
{'age': '25', 'type': {'name1': 'test1', 'parameter': ['1', '2']}, 'sex': 'man', 'name': 'test'}
>>> print(type(d))
<class 'dict'>sort_keys（对dict对象进行排序，我们知道默认dict是无序存放的）
#!/usr/bin/env python
#-*- coding:utf-8 -*-
# Author:DCC
import json
data1 = {'b':789,'c':456,'a':123}
data2 = {'a':123,'b':789,'c':456}
d1 = json.dumps(data1,sort_keys=True)
d2 = json.dumps(data2)
d3 = json.dumps(data2,sort_keys=True)
print(d1)
print(d2)
print(d3)
#运行结果
{"a": 123, "b": 789, "c": 456}
{"b": 789, "a": 123, "c": 456}
{"a": 123, "b": 789, "c": 456}indent 解码缩进
#!/usr/bin/env python
#-*- coding:utf-8 -*-
# Author:DCC
data1 = {'b':789,'c':456,'a':123}
d1 = json.dumps(data1,sort_keys=True,indent=4)
d2 = json.dumps(data1,sort_keys=True)
print(d1)
print(d2)
#运行结果
{
"a": 123,
"b": 789,
"c": 456
}
{"a": 123, "b": 789, "c": 456}用于序列化的两个模块
json，用于字符串 和 python数据类型间进行转换
pickle，用于python特有的类型 和 python的数据类型间进行转换
Json模块提供了四个功能：dumps、dump、loads、load
pickle模块提供了四个功能：dumps、dump、loads、load
