1.0 __getattr__和__getattribute__魔法方法
1 2 3 4 5 6 7 8 9 10 11 12 13 | #__getattr__当访问的属性不存在时,自动触发的一个方法. class User(object): def __init__(self,name,info): self.name = name self.info = info def __getattr__(self, item):#当实例访问属性时,没有这个 # 属性就会触发这个方法 return self.info[item] print(item) a = User('李四',{'age':19}) print(a.name) print(a.age) |
getattribute__则是无条件的优先执行,所以如果不是特殊情况最好不要用__getattribute。
2.0 属性描述符
- 属性描述符是一个强大的通用协议。它是properties, methods, static methods, class methods 和super()的调用原理。
- 属性描述符是实现了特定协议的类,只要实现了__get__,__set__和__delete__三个方法中的任意一个,这个类就是描述符,它能实现对多个属性运用相同存取逻辑的一种方式,通俗来说就是:创建一个实例,作为另一个类的类属性。
- 如果一个对象同时定义了__get__和__set__方法,它被称做数据描述符(data descriptor)。
- 只定义__get__方法的对象则被称为非数据描述符(non-data descriptor)。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 | class IntField(object): def __set__(self,instance,value): print("__set__") def __get__(self,instance,owner): print("__get__") def __delete__(self,instance): print("__delete__") class User(object): age = IntField() a = User() a.age a.get = 30 print(a.get) |
使用属性类型创建描述符
除了使用类当作一个属性描述符,我们之前学习的 property(),就是可以轻松地为任意属性创建可用的描述符。创建 property() 的语法是 property(fget=None, fset=None, fdel=None, doc=None)
描述符查找顺序
? 当为数据描述符时, get__优先级高于__dict
? 当为非数据描述符时,dict__优先级高于__get
3.0 元类
3.1元类介绍
元类实际上就是创建类的类
3.2 实现如下
? 定义创建类的函数create_class
? 如果给create_class传的参数为user,则创建User类
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 | def create_class(name): if name == "user": class User(object): def __str__(self): return "user" return User elif name == "person": class Person(object): def __str__(self): return "person" return Person myclass = create_class("user") obj = myclass() print(obj) |
3.3 type()创建元类
- 第一个参数:name,表示类的名称,字符串类型。
- 第二个参数:bases表示继承对象(父类),元组类型,单元素使用逗号。
- 第三个参数:attr表示属性,这里可以填写类属性,类方式,静态方法,采用字典格式,key为属性名,value为属性值。
type(name,bases,attr)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 | def __init__(self,name): self.name = name def info(self): return self.age @staticmethod def stat_func(): print("i am static") User = type("User",(),{'age':18,'__init__':__init__,'info':info,'stat_func':stat_func}) zs = User('c') #相当实例化 print(zs.name) zs.age = zs.info() #访问实例方法 print(zs.age) zs.stat_func() ### ### class BaseClass1(object): def test(self): return "BaseClass1" class BaseClass2(object): def test(self): return "BaseClass2" obj = type("User",(BaseClass2,BaseClass1),{}) class_wo = obj() print(class_wo.test()) #输出结果BaseClass2 |
3.4 metaclass属性
如果一个类中定义了__metalass__ = xxx,Python就会用元类的方式来创建类,就可以控制类的创建行为
比如,以下代码,再不改变类属性的抒写情况下,将属性名规定为大写访问。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 | ''' 2.创建upper_attr ''' def upper_attr(cls_name,cls_par,cls_attr): # print(cls_name) # print(cls_par) # print(cls_attr) ''' 4将属性名规定为大写 遍历属性 如果属性是非_开头,将其转为大写 ''' new_attr = {} for name,value in cls_attr.items(): if not name.startswith("_"): new_attr[name.upper()] = value.upper() #3.返回一个新的字典new_attr return type(cls_name,cls_par,new_attr) ''' 1.创建MyClass类,指定metaclass = upper_attr 这里的metaclass,其实也相当与type('name',(),{}) ''' class MyClass(object,metaclass=upper_attr): name = "ls" my = MyClass() print(my.NAME) #结果打印 LS |
4.0 python迭代器
4.1 迭代器指的是迭代取值的工具,迭代是指一个重复的过程,每一次重复都是基于上一次结果而来
迭代提供了一种通用的不依赖索引的迭代取值方式
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 | from collections import Iterable,Iterator print(isinstance("abc",Iterable)) #返回True ,可迭代对象 print(isinstance([1,2,3],Iterable)) #返回True,可迭代对象 print(isinstance(123,Iterable)) #返回False,不是可迭代对象 ''' 可迭代对象,不一定是迭代器 ''' # print(isinstance([1,2,3],Iterator)) #返回False li = [1,2,4] lis = iter(li) #iter函数可以转为迭代器 print(type(lis)) #<class 'list_iterator'> #print(lis[0])#报错,迭代器是不可以通过下标索引值取值的 print(next(lis)) print(next(lis)) print(next(lis)) print(next(lis)) #超出范围报错 for i in lis: print(i) |
4.2 可迭代对象
可以用for循环遍历的对象都是可迭代对象
4.3 判断是否可迭代
除了看内置是否含有__iter__方法来判断该对象是否是一个可迭代的对象之外,我们还可以使用 isinstance() 判断一个对象是否是 Iterable 对象。
4.4 迭代器对象
- 有内置的__next__()方法的对象,执行该方法可以不依赖索引取值。
- 有内置的__iter__()方法的对象,执行迭代器的__iter__()方法得到的依然是迭代器本身。
- iter()
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。
那我们可以通过iter()方法将可迭代的对象,转为迭代器。
1 2 3 4 5 6 7 8 | lit = [1,2,3] ls = iter(lit) print(type(ls)) # print(ls[0]) #报错,无法通过索引取值 print(next(ls)) #返回1 ‘’‘ 当用next全部取值完,在使用for,遍历,就无法取到值 ’‘’ |
4.5 可迭代对象与迭代器区别
- 可用于for循环的都是可迭代类型
- 作用于next()都是迭代器类型
- list、dict、str等都是可迭代的但不是迭代器,因为next()函数无法调用它们。- 可以通过iter()函数将它们转为迭代器
- python的for循环本质就是通过不断调用next()函数实现的
5.0 生成器
5.1 生成器定义
在Python中,一边循环一边计算的机制,称为生成器:generator。
5.2 为什么要有生成器
-
列表所有数据都在内存中,如果有海量数据的话会非常消耗内存。
比如说:我们仅仅需要访问前面几个元素,但后面绝大多元素占用的内存就会浪费了。 -
那么生成器就是在循环的过程中根据算法不断推算出后续的元素,这样就不用创建整个完整的列表,从而节省大量的空间。
-
总而言之,就是当我们想要使用庞大数据,又想让它占用的空间少,那就使用生成器
5.3 如何创建生成器
生成器表达式:
生成器表达式来源于迭代和列表解析的组合,生成器和列表解析类似,但是它使用()而不是[]
1 2 3 4 5 6 7 | g = (i for i in range(10)) # print(g) print(next(g)) print(next(g)) print(next(g)) print(next(g)) print(next(g)) |
5.4 生成器的好处
使用生成器,可以大量减少内存消耗
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 | import os import psutil def show_info(start): pid = os.getpid() p = psutil.Process(pid) info = p.memory_full_info() memory = info.uss/1024./1024 print(f"{start}一共使用了{memory:.2f}MB") def func(): show_info("initial") # a = [i for i in range(10000000)]#使用了396.05MB a = (i for i in range(10000000)) #使用了8.73MB, # 这就是为什么需要使用生成器 show_info("created") func() show_info("finished") |
5.5 生成器函数
- 当一个函数中包含yield关键字,那么这个函数就不再是一个普通的函数,而是一个generator。
- 调用函数就是创建了一个生成器对象。其工作原理就是通过重复调用next()或者__next__()方法,直到捕获一个异常。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 | ''' 函数 含有yield关键字时,会变成生成器 注意: ? yield返回一个值,并且记住这个返回值的位置,下次遇到next()调用时,代码从yield的下一条语句开始执行。与return的差别是,return也是返回一个值,但是直接结束函数。 ''' def createNums(): print("-----func start-----") a,b = 0,1 for i in range(10): print("--1--") yield b print("--2--") a,b = b, a+b print("--3--") print("----func end ----") g = createNums() print(next(g)) print(next(g)) print(next(g)) print(next(g)) |
5.7 读取大文件
文件300G, 比较特殊,一行 分隔符 {|}
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 | def readlines(f,newline): buf = "" while True: while newline in buf: pos = buf.index(newline) yield buf[:pos] buf = buf[pos + len(newline):] chunk = f.read(4096*10) if not chunk: yield buf break buf += chunk with open('demo.txt') as f: for line in readlines(f,"{|}"): print(line) |
5.8 迭代器与生成器
? 生成器能做到迭代器能做的所有事
? 而且因为生成器自动创建了iter()和next()方法,生成器显得简洁,而且高效