python基礎回顧

關於內存

理解變量在計算機內存中的表示也非常重要。當我們寫：

a = 'ABC'

時，Python解釋器幹了兩件事情：

1. 在內存中創建了一個'ABC'的字符串；

2. 在內存中創建了一個名爲a的變量，並把它指向'ABC'。

也可以把一個變量a賦值給另一個變量b，這個操作實際上是把變量b指向變量a所指向的數據，例如下面的代碼：

a = 'ABC'
b = a
a = 'XYZ'
print(b)

最後一行打印出變量b的內容到底是'ABC'呢還是'XYZ'？如果從數學意義上理解，就會錯誤地得出b和a相同，也應該是'XYZ'，但實際上b的值是'ABC'，讓我們一行一行地執行代碼，就可以看到到底發生了什麼事：

執行a = 'ABC'，解釋器創建了字符串'ABC'和變量a，並把a指向'ABC'：

執行b = a，解釋器創建了變量b，並把b指向a指向的字符串'ABC'：

執行a = 'XYZ'，解釋器創建了字符串'XYZ'，並把a的指向改爲'XYZ'，但b並沒有更改：

所以，最後打印變量b的結果自然是'ABC'了。

編碼問題

總結一下現在計算機系統通用的字符編碼工作方式：

在計算機內存中，統一使用Unicode編碼，當需要保存到硬盤或者需要傳輸的時候，就轉換爲UTF-8編碼。

用記事本編輯的時候，從文件讀取的UTF-8字符被轉換爲Unicode字符到內存裏，編輯完成後，保存的時候再把Unicode轉換爲UTF-8保存到文件：

瀏覽網頁的時候，服務器會把動態生成的Unicode內容轉換爲UTF-8再傳輸到瀏覽器：

所以你看到很多網頁的源碼上會有類似<meta charset="UTF-8" />的信息，表示該網頁正是用的UTF-8編碼。

格式化

你可能猜到了，%運算符就是用來格式化字符串的。在字符串內部，%s表示用字符串替換，%d表示用整數替換，有幾個%?佔位符，後面就跟幾個變量或者值，順序要對應好。如果只有一個%?，括號可以省略。

常見的佔位符有：

%d	整數
%f	浮點數
%s	字符串
%x	十六進制整數

其中，格式化整數和浮點數還可以指定是否補0和整數與小數的位數：

>>> '%2d-%02d' % (3, 1)
' 3-01'
>>> '%.2f' % 3.1415926
'3.14'

如果你不太確定應該用什麼，%s永遠起作用，它會把任何數據類型轉換爲字符串：

>>> 'Age: %s. Gender: %s' % (25, True)
'Age: 25. Gender: True'

有些時候，字符串裏面的%是一個普通字符怎麼辦？這個時候就需要轉義，用%%來表示一個%：

>>> 'growth rate: %d %%' % 7
'growth rate: 7 %'

可變的tuple

tuple和list非常類似，但是tuple一旦初始化就不能修改，比如同樣是列出同學的名字：

>>> classmates = ('Michael', 'Bob', 'Tracy')

現在，classmates這個tuple不能變了，它也沒有append()，insert()這樣的方法。其他獲取元素的方法和list是一樣的，你可以正常地使用classmates[0]，classmates[-1]，但不能賦值成另外的元素。

不可變的tuple有什麼意義？因爲tuple不可變，所以代碼更安全。如果可能，能用tuple代替list就儘量用tuple。

tuple的陷阱：當你定義一個tuple時，在定義的時候，tuple的元素就必須被確定下來，比如：

>>> t = (1, 2)
>>> t
(1, 2)

如果要定義一個空的tuple，可以寫成()：

>>> t = ()
>>> t
()

但是，要定義一個只有1個元素的tuple，如果你這麼定義：

>>> t = (1)
>>> t
1

定義的不是tuple，是1這個數！這是因爲括號()既可以表示tuple，又可以表示數學公式中的小括號，這就產生了歧義，因此，Python規定，這種情況下，按小括號進行計算，計算結果自然是1。

所以，只有1個元素的tuple定義時必須加一個逗號,，來消除歧義：

>>> t = (1,)
>>> t
(1,)

Python在顯示只有1個元素的tuple時，也會加一個逗號,，以免你誤解成數學計算意義上的括號。

最後來看一個“可變的”tuple：

>>> t = ('a', 'b', ['A', 'B'])
>>> t[2][0] = 'X'
>>> t[2][1] = 'Y'
>>> t
('a', 'b', ['X', 'Y'])

這個tuple定義的時候有3個元素，分別是'a'，'b'和一個list。不是說tuple一旦定義後就不可變了嗎？怎麼後來又變了？

別急，我們先看看定義的時候tuple包含的3個元素：

當我們把list的元素'A'和'B'修改爲'X'和'Y'後，tuple變爲：

表面上看，tuple的元素確實變了，但其實變的不是tuple的元素，而是list的元素。tuple一開始指向的list並沒有改成別的list，所以，tuple所謂的“不變”是說，tuple的每個元素，指向永遠不變。即指向'a'，就不能改成指向'b'，指向一個list，就不能改成指向其他對象，但指向的這個list本身是可變的！

理解了“指向不變”後，要創建一個內容也不變的tuple怎麼做？那就必須保證tuple的每一個元素本身也不能變。

字典的特性

和list比較，dict有以下幾個特點：

1. 查找和插入的速度極快，不會隨着key的增加而變慢；
2. 需要佔用大量的內存，內存浪費多。

而list相反：

1. 查找和插入的時間隨着元素的增加而增加；
2. 佔用空間小，浪費內存很少。

所以，dict是用空間來換取時間的一種方法。

dict可以用在需要高速查找的很多地方，在Python代碼中幾乎無處不在，正確使用dict非常重要，需要牢記的第一條就是dict的key必須是不可變對象。

這是因爲dict根據key來計算value的存儲位置，如果每次計算相同的key得出的結果不同，那dict內部就完全混亂了。這個通過key計算位置的算法稱爲哈希算法（Hash）。

要保證hash的正確性，作爲key的對象就不能變。在Python中，字符串、整數等都是不可變的，因此，可以放心地作爲key。而list是可變的，就不能作爲key：

>>> key = [1, 2, 3]
>>> d[key] = 'a list'
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: unhashable type: 'list'

再議不可變對象

上面我們講了，str是不變對象，而list是可變對象。

對於可變對象，比如list，對list進行操作，list內部的內容是會變化的，比如：

>>> a = ['c', 'b', 'a']
>>> a.sort()
>>> a
['a', 'b', 'c']

而對於不可變對象，比如str，對str進行操作呢：

>>> a = 'abc'
>>> a.replace('a', 'A')
'Abc'
>>> a
'abc'

雖然字符串有個replace()方法，也確實變出了'Abc'，但變量a最後仍是'abc'，應該怎麼理解呢？

我們先把代碼改成下面這樣：

>>> a = 'abc'
>>> b = a.replace('a', 'A')
>>> b
'Abc'
>>> a
'abc'

要始終牢記的是，a是變量，而'abc'纔是字符串對象！有些時候，我們經常說，對象a的內容是'abc'，但其實是指，a本身是一個變量，它指向的對象的內容纔是'abc'：

當我們調用a.replace('a', 'A')時，實際上調用方法replace是作用在字符串對象'abc'上的，而這個方法雖然名字叫replace，但卻沒有改變字符串'abc'的內容。相反，replace方法創建了一個新字符串'Abc'並返回，如果我們用變量b指向該新字符串，就容易理解了，變量a仍指向原有的字符串'abc'，但變量b卻指向新字符串'Abc'了：

所以，對於不變對象來說，調用對象自身的任意方法，也不會改變該對象自身的內容。相反，這些方法會創建新的對象並返回，這樣，就保證了不可變對象本身永遠是不可變的。

函數參數

1.位置參數

就是最普通的參數

2.默認參數

設置默認參數時，有幾點要注意：

一是必選參數在前，默認參數在後，否則Python的解釋器會報錯（思考一下爲什麼默認參數不能放在必選參數前面）；

二是如何設置默認參數。

當函數有多個參數時，把變化大的參數放前面，變化小的參數放後面。變化小的參數就可以作爲默認參數。

使用默認參數有什麼好處？最大的好處是能降低調用函數的難度。

舉個例子，我們寫個一年級小學生註冊的函數，需要傳入name和gender兩個參數：

def enroll(name, gender):
    print('name:', name)
    print('gender:', gender)

這樣，調用enroll()函數只需要傳入兩個參數：

>>> enroll('Sarah', 'F')
name: Sarah
gender: F

如果要繼續傳入年齡、城市等信息怎麼辦？這樣會使得調用函數的複雜度大大增加。

我們可以把年齡和城市設爲默認參數：

def enroll(name, gender, age=6, city='Beijing'):
    print('name:', name)
    print('gender:', gender)
    print('age:', age)
    print('city:', city)

這樣，大多數學生註冊時不需要提供年齡和城市，只提供必須的兩個參數：

>>> enroll('Sarah', 'F')
name: Sarah
gender: F
age: 6
city: Beijing

只有與默認參數不符的學生才需要提供額外的信息：

enroll('Bob', 'M', 7)
enroll('Adam', 'M', city='Tianjin')

可見，默認參數降低了函數調用的難度，而一旦需要更復雜的調用時，又可以傳遞更多的參數來實現。無論是簡單調用還是複雜調用，函數只需要定義一個。

默認參數的坑

先定義一個函數，傳入一個list，添加一個END再返回：

def add_end(L=[]):
    L.append('END')
    return L

當你正常調用時，結果似乎不錯：

>>> add_end([1, 2, 3])
[1, 2, 3, 'END']
>>> add_end(['x', 'y', 'z'])
['x', 'y', 'z', 'END']

當你使用默認參數調用時，一開始結果也是對的：

>>> add_end()
['END']

但是，再次調用add_end()時，結果就不對了：

>>> add_end()
['END', 'END']
>>> add_end()
['END', 'END', 'END']

很多初學者很疑惑，默認參數是[]，但是函數似乎每次都“記住了”上次添加了'END'後的list。

原因解釋如下：

Python函數在定義的時候，默認參數L的值就被計算出來了，即[]，因爲默認參數L也是一個變量，它指向對象[]，每次調用該函數，如果改變了L的內容，則下次調用時，默認參數的內容就變了，不再是函數定義時的[]了。

所以，定義默認參數要牢記一點：默認參數必須指向不變對象！

要修改上面的例子，我們可以用None這個不變對象來實現：

def add_end(L=None):
    if L is None:
        L = []
    L.append('END')
    return L

現在，無論調用多少次，都不會有問題：

>>> add_end()
['END']
>>> add_end()
['END']

爲什麼要設計str、None這樣的不變對象呢？因爲不變對象一旦創建，對象內部的數據就不能修改，這樣就減少了由於修改數據導致的錯誤。此外，由於對象不變，多任務環境下同時讀取對象不需要加鎖，同時讀一點問題都沒有。我們在編寫程序時，如果可以設計一個不變對象，那就儘量設計成不變對象。

3.可變參數

*nums表示把nums這個list的所有元素作爲可變參數傳進去

4.關鍵字參數

可變參數允許你傳入0個或任意個參數，這些可變參數在函數調用時自動組裝爲一個tuple。而關鍵字參數允許你傳入0個或任意個含參數名的參數，這些關鍵字參數在函數內部自動組裝爲一個dict。請看示例：

def person(name, age, **kw):
    print('name:', name, 'age:', age, 'other:', kw)

函數person除了必選參數name和age外，還接受關鍵字參數kw。在調用該函數時，可以只傳入必選參數：

>>> person('Michael', 30)
name: Michael age: 30 other: {}

也可以傳入任意個數的關鍵字參數：

>>> person('Bob', 35, city='Beijing')
name: Bob age: 35 other: {'city': 'Beijing'}
>>> person('Adam', 45, gender='M', job='Engineer')
name: Adam age: 45 other: {'gender': 'M', 'job': 'Engineer'}

生成器

如果列表元素可以按照某種算法推算出來，那我們是否可以在循環的過程中不斷推算出後續的元素呢？這樣就不必創建完整的list，從而節省大量的空間。在Python中，這種一邊循環一邊計算的機制，稱爲生成器：generator。

創建生成器（一）

要創建一個generator，有很多種方法。第一種方法很簡單，只要把一個列表生成式的[]改成()，就創建了一個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>

創建L和g的區別僅在於最外層的[]和()，L是一個list，而g是一個generator。

如果要一個一個打印出來，可以通過next()函數獲得generator的下一個返回值：

>>> next(g)
0
>>> next(g)
1

創建生成器（二）

也就是說，上面的函數和generator僅一步之遙。要把fib函數變成generator，只需要把print(b)改爲yield b就可以了：

def fib(max):
    n, a, b = 0, 0, 1
    while n < max:
        yield b
        a, b = b, a + b
        n = n + 1
    return 'done'

這就是定義generator的另一種方法。如果一個函數定義中包含yield關鍵字，那麼這個函數就不再是一個普通函數，而是一個generator：

>>> f = fib(6)
>>> f
<generator object fib at 0x104feaaa0>

這裏，最難理解的就是generator和函數的執行流程不一樣。函數是順序執行，遇到return語句或者最後一行函數語句就返回。而變成generator的函數，在每次調用next()的時候執行，遇到yield語句返回，再次執行時從上次返回的yield語句處繼續執行。

迭代器

我們已經知道，可以直接作用於for循環的數據類型有以下幾種：

一類是集合數據類型，如list、tuple、dict、set、str等；

一類是generator，包括生成器和帶yield的generator function。

這些可以直接作用於for循環的對象統稱爲可迭代對象：Iterable。

可以使用isinstance()判斷一個對象是否是Iterable對象：

>>> from collections import Iterable
>>> isinstance([], Iterable)
True

可以被next()函數調用並不斷返回下一個值的對象稱爲迭代器：Iterator。

生成器都是Iterator對象，但list、dict、str雖然是Iterable，卻不是Iterator。

把list、dict、str等Iterable變成Iterator可以使用iter()函數：

>>> isinstance(iter([]), Iterator)
True
>>> isinstance(iter('abc'), Iterator)
True

你可能會問，爲什麼list、dict、str等數據類型不是Iterator？

這是因爲Python的Iterator對象表示的是一個數據流，Iterator對象可以被next()函數調用並不斷返回下一個數據，直到沒有數據時拋出StopIteration錯誤。可以把這個數據流看做是一個有序序列，但我們卻不能提前知道序列的長度，只能不斷通過next()函數實現按需計算下一個數據，所以Iterator的計算是惰性的，只有在需要返回下一個數據時它纔會計算。

Iterator甚至可以表示一個無限大的數據流，例如全體自然數。而使用list是永遠不可能存儲全體自然數的。

小結

凡是可作用於for循環的對象都是Iterable類型；

凡是可作用於next()函數的對象都是Iterator類型，它們表示一個惰性計算的序列；

集合數據類型如list、dict、str等是Iterable但不是Iterator，不過可以通過iter()函數獲得一個Iterator對象。

Python的for循環本質上就是通過不斷調用next()函數實現的，例如：

for x in [1, 2, 3, 4, 5]:
    pass

實際上完全等價於：

# 首先獲得Iterator對象:
it = iter([1, 2, 3, 4, 5])
# 循環:
while True:
    try:
        # 獲得下一個值:
        x = next(it)
    except StopIteration:
        # 遇到StopIteration就退出循環
        break

區別

迭代器代表一個數據流對象，不斷重複調用迭代器的next()方法可以逐次地返回數據流中的每一項，當沒有更多數據可用時，next()方法會拋出異常StopIteration。此時迭代器對象已經枯竭了，之後調用next()方法都會拋出異常StopIteration。迭代器需要有一個__iter()__方法用來返回迭代器本身。因此它也是一個可迭代的對象。

生成器能做到迭代器能做的所有事,而且因爲自動創建了__iter__()和 next()方法,生成器顯得特別簡潔,而且生成器也是高效的。除了創建和保存程序狀態的自動方法,當發生器終結時,還會自動拋出StopIteration異常。一個帶有yield的函數就是一個 生成器,它和普通函數不同,生成一個 generator 看起來像函數調用,但不會執行任何函數代碼,直到對其調用next()(在 for 循環中會自動調用next())纔開始執行。雖然執行流程仍按函數的流程執行,但每執行到一個yield語句就會中斷,並返回一個迭代值,下次執行時從yield的下一個語句繼續執行。看起來就好像一個函數在正常執行的過程中被yield中斷了數次,每次中斷都會通過yield返回當前的迭代值（yield暫停一個函數，next()從其暫停處恢復其運行）。

生成器也是一個迭代器，但是你只可以迭代他們一次，不能重複迭代，因爲它並沒有把所有值存儲在內存中，而是實時地生成值：

>>> mygenerator = (x*x for x in range(3))
>>> for i in mygenerator:
...    print(i)
0
1
4

從結果上看用()代替[]效果是一樣的，但是，你不可能第二次執行for i in mygenerator（譯註：這裏作者所表達的意思是第二次執行達不到期望的效果）因爲生成器只能使用一次：首先計算出0，然後計算出1，最後計算出4。

Yield

Yield是關鍵字，它類似於return，只是函數會返回一個生成器。

爲了完全弄懂yield，你必須清楚的是：當函數被調用時，函數體中的代碼是不會運行的，函數僅僅是返回一個生成器對象。

for第一次調用生成器對象時，代碼將會從函數的開始處運行直到遇到yield爲止，然後返回此次循環的第一個值，接着循環地執行函數體，返回下一個值，直到沒有值返回爲止。
一旦函數運行再也沒有遇到yield時，生成器就被認爲是空的。這有可能是因爲循環終止，或者因爲沒有滿足任何if/else。

函數式編程

函數式編程的一個特點就是，允許把函數本身作爲參數傳入另一個函數，還允許返回一個函數！

變量可以指向函數

函數名也是變量

面向對象編程

數據封裝、繼承和多態是面向對象的三大特點

假設我們要處理學生的成績表，爲了表示一個學生的成績，面向過程的程序可以用一個dict表示：

std1 = { 'name': 'Michael', 'score': 98 }
std2 = { 'name': 'Bob', 'score': 81 }

而處理學生成績可以通過函數實現，比如打印學生的成績：

def print_score(std):
    print('%s: %s' % (std['name'], std['score']))

如果採用面向對象的程序設計思想，我們首選思考的不是程序的執行流程，而是Student這種數據類型應該被視爲一個對象，這個對象擁有name和score這兩個屬性（Property）。如果要打印一個學生的成績，首先必須創建出這個學生對應的對象，然後，給對象發一個print_score消息，讓對象自己把自己的數據打印出來。

class Student(object):

    def __init__(self, name, score):
        self.name = name
        self.score = score

    def print_score(self):
        print('%s: %s' % (self.name, self.score))

給對象發消息實際上就是調用對象對應的關聯函數，我們稱之爲對象的方法（Method）。面向對象的程序寫出來就像這樣：

bart = Student('Bart Simpson', 59)
lisa = Student('Lisa Simpson', 87)
bart.print_score()
lisa.print_score()

面向對象的設計思想是從自然界中來的，因爲在自然界中，類（Class）和實例（Instance）的概念是很自然的。Class是一種抽象概念，比如我們定義的Class——Student，是指學生這個概念，而實例（Instance）則是一個個具體的Student，比如，Bart Simpson和Lisa Simpson是兩個具體的Student。

所以，面向對象的設計思想是抽象出Class，根據Class創建Instance。

面向對象的抽象程度又比函數要高，因爲一個Class既包含數據，又包含操作數據的方法。

類與實例

面向對象最重要的概念就是類（Class）和實例（Instance），必須牢記類是抽象的模板，比如Student類，而實例是根據類創建出來的一個個具體的“對象”，每個對象都擁有相同的方法，但各自的數據可能不同。

仍以Student類爲例，在Python中，定義類是通過class關鍵字：

class Student(object):
    pass

class後面緊接着是類名，即Student，類名通常是大寫開頭的單詞，緊接着是(object)，表示該類是從哪個類繼承下來的，繼承的概念我們後面再講，通常，如果沒有合適的繼承類，就使用object類，這是所有類最終都會繼承的類。

定義好了Student類，就可以根據Student類創建出Student的實例，創建實例是通過類名+()實現的：

>>> bart = Student()
>>> bart
<__main__.Student object at 0x10a67a590>
>>> Student
<class '__main__.Student'>

可以看到，變量bart指向的就是一個Student的實例，後面的0x10a67a590是內存地址，每個object的地址都不一樣，而Student本身則是一個類。

繼承和多態

當子類和父類都存在相同的run()方法時，我們說，子類的run()覆蓋了父類的run()，在代碼運行的時候，總是會調用子類的run()。這樣，我們就獲得了繼承的另一個好處：多態。

多態的好處

新增一個Animal的子類，不必對run_twice()做任何修改，實際上，任何依賴Animal作爲參數的函數或者方法都可以不加修改地正常運行，原因就在於多態。

多態的好處就是，當我們需要傳入Dog、Cat、Tortoise……時，我們只需要接收Animal類型就可以了，因爲Dog、Cat、Tortoise……都是Animal類型，然後，按照Animal類型進行操作即可。由於Animal類型有run()方法，因此，傳入的任意類型，只要是Animal類或者子類，就會自動調用實際類型的run()方法，這就是多態的意思：

對於一個變量，我們只需要知道它是Animal類型，無需確切地知道它的子類型，就可以放心地調用run()方法，而具體調用的run()方法是作用在Animal、Dog、Cat還是Tortoise對象上，由運行時該對象的確切類型決定，這就是多態真正的威力：調用方只管調用，不管細節，而當我們新增一種Animal的子類時，只要確保run()方法編寫正確，不用管原來的代碼是如何調用的。這就是著名的“開閉”原則：

對擴展開放：允許新增Animal子類；

對修改封閉：不需要修改依賴Animal類型的run_twice()等函數。

繼承還可以一級一級地繼承下來，就好比從爺爺到爸爸、再到兒子這樣的關係。而任何類，最終都可以追溯到根類object，這些繼承關係看上去就像一顆倒着的樹。

鴨子類型

對於靜態語言（例如Java）來說，如果需要傳入Animal類型，則傳入的對象必須是Animal類型或者它的子類，否則，將無法調用run()方法。

對於Python這樣的動態語言來說，則不一定需要傳入Animal類型。我們只需要保證傳入的對象有一個run()方法就可以了：

class Timer(object):
    def run(self):
        print('Start...')

這就是動態語言的“鴨子類型”，它並不要求嚴格的繼承體系，一個對象只要“看起來像鴨子，走起路來像鴨子”，那它就可以被看做是鴨子。

Python的“file-like object“就是一種鴨子類型。對真正的文件對象，它有一個read()方法，返回其內容。但是，許多對象，只要有read()方法，都被視爲“file-like object“。許多函數接收的參數就是“file-like object“，你不一定要傳入真正的文件對象，完全可以傳入任何實現了read()方法的對象。

類屬性和實例屬性

當我們定義了一個類屬性後，這個屬性雖然歸類所有，但類的所有實例都可以訪問到。

在編寫程序的時候，千萬不要把實例屬性和類屬性使用相同的名字，因爲相同名稱的實例屬性將屏蔽掉類屬性，但是當你刪除實例屬性後，再使用相同的名稱，訪問到的將是類屬性。

__slots__

爲了達到限制的目的，Python允許在定義class的時候，定義一個特殊的__slots__變量，來限制該class實例能添加的屬性：

class Student(object):
    __slots__ = ('name', 'age') # 用tuple定義允許綁定的屬性名稱

@property

Python內置的@property裝飾器就是負責把一個方法變成屬性調用的：

class Student(object):

    @property
    def score(self):
        return self._score

    @score.setter
    def score(self, value):
        if not isinstance(value, int):
            raise ValueError('score must be an integer!')
        if value < 0 or value > 100:
            raise ValueError('score must between 0 ~ 100!')
        self._score = value

@property的實現比較複雜，我們先考察如何使用。把一個getter方法變成屬性，只需要加上@property就可以了，此時，@property本身又創建了另一個裝飾器@score.setter，負責把一個setter方法變成屬性賦值，於是，我們就擁有一個可控的屬性操作：

>>> s = Student()
>>> s.score = 60 # OK，實際轉化爲s.set_score(60)
>>> s.score # OK，實際轉化爲s.get_score()
60
>>> s.score = 9999
Traceback (most recent call last):
  ...
ValueError: score must between 0 ~ 100!

注意到這個神奇的@property，我們在對實例屬性操作的時候，就知道該屬性很可能不是直接暴露的，而是通過getter和setter方法來實現的。

__call__

一個對象實例可以有自己的屬性和方法，當我們調用實例方法時，我們用instance.method()來調用。能不能直接在實例本身上調用呢？在Python中，答案是肯定的。

任何類，只需要定義一個__call__()方法，就可以直接對實例進行調用。請看示例：

class Student(object):
    def __init__(self, name):
        self.name = name

    def __call__(self):
        print('My name is %s.' % self.name)

調用方式如下：

>>> s = Student('Michael')
>>> s() # self參數不要傳入
My name is Michael.

__call__()還可以定義參數。對實例進行直接調用就好比對一個函數進行調用一樣，所以你完全可以把對象看成函數，把函數看成對象，因爲這兩者之間本來就沒啥根本的區別。

線程和進程

對於操作系統來說，一個任務就是一個進程（Process），比如打開一個瀏覽器就是啓動一個瀏覽器進程，打開一個記事本就啓動了一個記事本進程，打開兩個記事本就啓動了兩個記事本進程，打開一個Word就啓動了一個Word進程。

有些進程還不止同時幹一件事，比如Word，它可以同時進行打字、拼寫檢查、打印等事情。在一個進程內部，要同時幹多件事，就需要同時運行多個“子任務”，我們把進程內的這些“子任務”稱爲線程（Thread）。

由於每個進程至少要幹一件事，所以，一個進程至少有一個線程。當然，像Word這種複雜的進程可以有多個線程，多個線程可以同時執行，多線程的執行方式和多進程是一樣的，也是由操作系統在多個線程之間快速切換，讓每個線程都短暫地交替運行，看起來就像同時執行一樣。當然，真正地同時執行多線程需要多核CPU纔可能實現。

多任務的實現有3種方式：

• 多進程模式；
• 多線程模式；
• 多進程+多線程模式。

線程是最小的執行單元，而進程由至少一個線程組成。如何調度進程和線程，完全由操作系統決定，程序自己不能決定什麼時候執行，執行多長時間。

多線程和多進程最大的不同在於，多進程中，同一個變量，各自有一份拷貝存在於每個進程中，互不影響，而多線程中，所有變量都由所有線程共享，所以，任何一個變量都可以被任何一個線程修改，因此，線程之間共享數據最大的危險在於多個線程同時改一個變量，把內容給改亂了。

正則表達式

^表示行的開頭，^\d表示必須以數字開頭。

$表示行的結束，\d$表示必須以數字結束。

你可能注意到了，py也可以匹配'python'，但是加上^py$就變成了整行匹配，就只能匹配'py'了。

UDP連接

TCP是建立可靠連接，並且通信雙方都可以以流的形式發送數據。相對TCP，UDP則是面向無連接的協議。

使用UDP協議時，不需要建立連接，只需要知道對方的IP地址和端口號，就可以直接發數據包。但是，能不能到達就不知道了。

雖然用UDP傳輸數據不可靠，但它的優點是和TCP比，速度快，對於不要求可靠到達的數據，就可以使用UDP協議。