技术

Python虚拟机 LLM工作流编排 Python实践 下一个平台Agent 激发LLM涌现——提示工程 LLM微调理论及实践 大佬沉思 LLM外挂知识库 LLMOps 多模态LLM Python一些比较有意思的库 LLM部分技术源码学习 LangChain源码学习 通用分布式计算引擎Ray Python并发 go依赖注入 go collection gc的基本原理 golang性能分析及优化 数据湖 高性能计算与存储 Linux2.1.13网络源代码学习 《大数据经典论文解读》 三驾马车学习 Spark 内存管理及调优 Yarn学习 从Spark部署模式开始讲源码分析 容器狂占内存资源怎么办? 多角度理解一致性 golang io使用及优化模式 Flink学习 c++学习 学习ebpf go设计哲学 ceph学习 学习mesh kvm虚拟化 学习MQ go编译器以及defer实现 学习go 为什么要有堆栈 汇编语言 计算机组成原理 运行时和库 Prometheus client mysql 事务 mysql 事务的隔离级别 mysql 索引 坏味道 学习分布式 学习网络 学习Linux go堆内存分配 golang 系统调用与阻塞处理 Goroutine 调度过程 重新认识cpu mosn有的没的 负载均衡泛谈 单元测试的新解读 《Redis核心技术与实现》笔记 《Prometheus监控实战》笔记 Prometheus 告警学习 calico源码分析 对容器云平台的理解 Prometheus 源码分析 并发的成本 基础设施优化 hashicorp raft源码学习 docker 架构 mosn细节 与微服务框架整合 Java动态代理 编程范式 并发通信模型 《网络是怎样连接的》笔记 go channel codereview gc分析 jvm 线程实现 go打包机制 go interface及反射 如何学习Kubernetes 《编译原理之美》笔记——后端部分 《编译原理之美》笔记——前端部分 Pilot MCP协议分析 go gc 内存管理玩法汇总 软件机制 istio流量管理 Pilot源码分析 golang io 学习Spring mosn源码浅析 MOSN简介 《datacenter as a computer》笔记 学习JVM Tomcat源码分析 Linux可观测性 学习存储 学计算 Gotty源码分析 kubernetes operator kaggle泰坦尼克问题实践 kubernetes扩缩容 神经网络模型优化 直觉上理解深度学习 如何学习机器学习 TIDB源码分析 什么是云原生 Alibaba Java诊断工具Arthas TIDB存储——TIKV 《Apache Kafka源码分析》——简介 netty中的线程池 guava cache 源码分析 Springboot 启动过程分析 Spring 创建Bean的年代变迁 Linux内存管理 自定义CNI IPAM 共识算法 spring redis 源码分析 kafka实践 spring kafka 源码分析 Linux进程调度 让kafka支持优先级队列 Codis源码分析 Redis源码分析 C语言学习 《趣谈Linux操作系统》笔记 docker和k8s安全访问机制 jvm crash分析 Prometheus 学习 Kubernetes监控 容器日志采集 Kubernetes 控制器模型 容器狂占资源怎么办? Kubernetes资源调度——scheduler 时序性数据库介绍及对比 influxdb入门 maven的基本概念 《Apache Kafka源码分析》——server Kubernetes类型系统 源码分析体会 《数据结构与算法之美》——算法新解 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 ansible学习 Kubernetes源码分析——从kubectl开始 jib源码分析之Step实现 jib源码分析之细节 线程排队 跨主机容器通信 jib源码分析及应用 为容器选择一个合适的entrypoint kubernetes yaml配置 《持续交付36讲》笔记 mybatis学习 程序猿应该知道的 无锁数据结构和算法 CNI——容器网络是如何打通的 为什么很多业务程序猿觉得数据结构和算法没用? 串一串一致性协议 当我在说PaaS时,我在说什么 《数据结构与算法之美》——数据结构笔记 PouchContainer技术分享体会 harbor学习 用groovy 来动态化你的代码 精简代码的利器——lombok 学习 《深入剖析kubernetes》笔记 编程语言那些事儿 rxjava3——背压 rxjava2——线程切换 spring cloud 初识 《深入拆解java 虚拟机》笔记 《how tomcat works》笔记 hystrix 学习 rxjava1——概念 Redis 学习 TIDB 学习 如何分发计算 Storm 学习 AQS1——论文学习 Unsafe Spark Stream 学习 linux vfs轮廓 《自己动手写docker》笔记 java8 实践 中本聪比特币白皮书 细读 区块链泛谈 比特币 大杂烩 总纲——如何学习分布式系统 hbase 泛谈 forkjoin 泛谈 看不见摸不着的cdn是啥 《jdk8 in action》笔记 程序猿视角看网络 bgp初识 calico学习 AQS——粗略的代码分析 我们能用反射做什么 web 跨域问题 《clean code》笔记 《Elasticsearch权威指南》笔记 mockito简介及源码分析 2017软件开发小结—— 从做功能到做系统 《Apache Kafka源码分析》——clients dns隐藏的一个坑 《mysql技术内幕》笔记 log4j学习 为什么netty比较难懂? 递归、回溯、动态规划 apollo client源码分析及看待面向对象设计 学习并发 docker运行java项目的常见问题 OpenTSDB 入门 spring事务小结 分布式事务 javascript应用在哪里 《netty in action》读书笔记 netty对http2协议的解析 ssl证书是什么东西 http那些事 苹果APNs推送框架pushy apple 推送那些事儿 编写java框架的几大利器 java内存模型和jvm内存布局 java exception Linux IO学习 netty内存管理 测试环境docker化实践 netty在框架中的使用套路 Nginx简单使用 《Linux内核设计的艺术》小结 Go并发机制及语言层工具 Linux网络源代码学习——数据包的发送与接收 《docker源码分析》小结 docker namespace和cgroup zookeeper三重奏 数据库的一些知识 Spark 泛谈 链式处理的那些套路 netty回顾 Thrift基本原理与实践(二) Thrift基本原理与实践(一) 回调 异步执行抽象——Executor与Future Docker0.1.0源码分析 java gc Jedis源码分析 深度学习泛谈 Linux网络命令操作 JTA与TCC 换个角度看待设计模式 Scala初识 向Hadoop学习NIO的使用 以新的角度看数据结构 并发控制相关的硬件与内核支持 systemd 简介 quartz 源码分析 基于docker搭建测试环境(二) spring aop 实现原理简述 自己动手写spring(八) 支持AOP 自己动手写spring(七) 类结构设计调整 分析log日志 自己动手写spring(六) 支持FactoryBean 自己动手写spring(九) 总结 自己动手写spring(五) bean的生命周期管理 自己动手写spring(四) 整合xml与注解方式 自己动手写spring(三) 支持注解方式 自己动手写spring(二) 创建一个bean工厂 自己动手写spring(一) 使用digester varnish 简单使用 关于docker image的那点事儿 基于docker搭建测试环境 分布式配置系统 JVM执行 git maven/ant/gradle/make使用 再看tcp kv系统 java nio的多线程扩展 《Concurrency Models》笔记 回头看Spring IOC IntelliJ IDEA使用 Java泛型 vagrant 使用 Go常用的一些库 Python初学 Goroutine 调度模型 虚拟网络 《程序员的自我修养》小结 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件 Go基础 JVM类加载 硬币和扑克牌问题 LRU实现 virtualbox 使用 ThreadLocal小结 docker快速入门

架构

大模型推理服务框架 模型服务化(未完成) 大模型RHLF 大模型训练 大模型推理 从Attention到Transformer k8s设备管理 LLM工具栈 ddd从理念到代码 如何应用LLM 小鼠如何驾驭大象(LLM)? 多类型负载协调员Koordinator controller-runtime细节分析 finops学习 kubevela多集群 kubevela中cue的应用 基于k8s的工作流 容器和CPU那些事儿 kubevela源码分析 数据集管理fluid 应用管理平台kubevela karmada支持crd 多集群管理 AutoML和AutoDL 特征平台 实时训练 分布式链路追踪 helm tensorflow原理——python层分析 如何学习tensorflow 数据并行——allreduce 数据并行——ps 机器学习中的python调用c 机器学习训练框架概述 embedding的原理及实践 tensornet源码分析 大模型训练和推理 X的生成——特征工程 tvm tensorflow原理——core层分析 模型演变 《深度学习推荐系统实战》笔记 keras 和 Estimator tensorflow分布式训练 分布式训练的一些问题 基于Volcano的弹性训练 图神经网络 pytorch弹性分布式训练 从混部到统一调度 从RNN到Attention pytorch分布式训练 CNN 《动手学深度学习》笔记 pytorch与线性回归 多活 volcano特性源码分析 推理服务 kubebuilder 学习 mpi 学习pytorch client-go学习 tensorflow学习 提高gpu 利用率 GPU与容器的结合 GPU入门 AI云平台梳理 tf-operator源码分析 k8s批处理调度/Job调度 喜马拉雅容器化实践 Kubernetes 实践 学习rpc BFF openkruise学习 可观察性和监控系统 基于Kubernetes选主及应用 《许式伟的架构课》笔记 Admission Controller 与 Admission Webhook 发布平台系统设计 k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 深入controller openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go informer源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的? 《软件设计之美》笔记 mecha 架构学习 Kubernetes events学习及应用 CRI 资源调度泛谈 业务系统设计原则 grpc学习 元编程 以应用为中心 istio学习 下一代微服务Service Mesh 《实现领域驱动设计》笔记 概率论 serverless 泛谈 《架构整洁之道》笔记 处理复杂性 那些年追过的并发 服务器端编程 网络通信协议 架构大杂烩 如何学习架构 《反应式设计模式》笔记 项目的演化特点 反应式架构摸索 函数式编程的设计模式 服务化 ddd反模式——CRUD的败笔 研发效能平台 重新看面向对象设计 业务系统设计的一些体会 函数式编程 《左耳听风》笔记 业务程序猿眼中的微服务管理 DDD实践——CQRS 项目隔离——案例研究 《编程的本质》笔记 系统故障排查汇总及教训 平台支持类系统的几个点 代码腾挪的艺术 abtest 系统设计汇总 《从0开始学架构》笔记 初级权限系统设计 领域驱动理念 现有上传协议分析 移动网络下的文件上传要注意的几个问题 推送系统的几个基本问题 做配置中心要想好的几个基本问题 不同层面的异步 分层那些事儿 性能问题分析 用户认证问题 资源的分配与回收——池 消息/任务队列

标签

k8s设备管理 多类型负载协调员Koordinator controller-runtime细节分析 finops学习 kubevela多集群 kubevela中cue的应用 基于k8s的工作流 容器和CPU那些事儿 kubevela源码分析 数据集管理fluid 应用管理平台kubevela karmada支持crd 多集群管理 helm 从混部到统一调度 volcano特性源码分析 kubebuilder 学习 client-go学习 tf-operator源码分析 k8s批处理调度/Job调度 喜马拉雅容器化实践 Kubernetes 实践 openkruise学习 基于Kubernetes选主及应用 Admission Controller 与 Admission Webhook k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 深入controller openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go informer源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的? Kubernetes events学习及应用 CRI 资源调度泛谈 如何学习Kubernetes 以应用为中心 kubernetes operator kubernetes扩缩容 serverless 泛谈 什么是云原生 自定义CNI IPAM docker和k8s安全访问机制 Kubernetes监控 Kubernetes 控制器模型 Kubernetes资源调度——scheduler Kubernetes类型系统 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 Kubernetes源码分析——从kubectl开始 kubernetes yaml配置 CNI——容器网络是如何打通的 当我在说PaaS时,我在说什么 《深入剖析kubernetes》笔记 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件

Python初学

2015年04月30日

前言

本文是笔者作为一个java程序员,对《python基础教程》的笔记。

python是类似linux shell的解释型语言(其实与javascript更像),只不过使用shell操作多是为了操作计算机,使用python则是为了实现业务逻辑。感觉上的不同在于,如果要创建一个文件夹

  • linux,mkdir dirname
  • python,
      import os
      os.mkdir(path,mode)
    

java是面向对象的,所以对象是第一元素,对任何实例方法的应用都必须通过对象。python不是面向对象的,对于非复杂业务,python代码基本就是函数 + 函数调用

基本语法

对于任何一门编程语言来说,数据都分为基本类型和复合类型。

  1. 基本类型
    • 对于java,基本类型是int,float等,复合类型是list、set等
    • 对于python,类型不用声明,基本类型和一般语言差不多,包括整数、浮点数、字符串、布尔值。
  2. 语言自带的复合类型一般是为数据的存取方便,主要有两种形式:根据索引存取(数组和list)和根据键值存取。有以下不同点
    1. 有可修改和不可修改两种。类似于java的数组和list
    2. 一般不要求元素是同一类型

Python 是动态语言,其显著特点是在声明变量时,你不需要显式声明它的类型。除此之外,已经确定类型的变量,可以随时更改其类型。

# 虽然代码里没有明确指定 age 的类型,但是程序运行时隐式推断出它是 int 类型,因此可以顺利执行 age + 1 的动作。
age = 20
print('The age is: ', age + 1)
# Output:
# The age is:  21

age = 20
print(type(age))
# Output: <class 'int'>

age = '20'
print(type(age))
# Output: <class 'str'>

类型转换

  • 对于java,String a = 1 + ""float a = (float)1
  • 对于python,类型转换与 go 类似,比如 int('8') 将字符串8 转为8,a = str(1),注意此处str是一个类型,不是一个函数。

解释型语言一般写起来比较简便,(),[],{}就可以创建元组(Tuple)、列表和字典。内置类型几乎所有需要用到的方法 库函数(运算符)都有提供,不像java还要搞一个apache collections 库。

  1. 字符串的基本操作:in(对应java 的List.contains),序列加序列,序列*整数(重复几次),序列按下标取数,格式化string.formt,python比较早的版本 也用% 符号来进行格式化
  2. 元组tuple 是静态的, 小括号。 元组可以比较 大小 ,比如 (1, 5) < (2, 3) # True
  3. 列表 list是动态的,[xx,xx],可以append和remove。
  4. 集合包括set 和 frozenset(不可变),{'zhangshan','lisi'}
  5. 字典 dict,赋值就像是 json 字符串,大括号。for xx in xx.keys()

列表和元组,都是一个可以放置任意数据类型的有序集合,都支持负数索引,都支持切片操作(l[1:3] 返回列表中索引从1到2的子列表),都可以随意嵌套(列表的元素可以是列表),内部实现都是array的形式,两者也可以通过 list() 和 tuple() 函数相互转换

字典本身只有键是可迭代的,如果我们要遍历它的值或者是键值对,就需要通过其内置的函数 values() 或者 items() 实现。其中,values() 返回字典的值的集合,items() 返回键值对的集合。

d = {'name': 'jason', 'dob': '2000-01-01', 'gender': 'male'}
for k in d: # 遍历字典的键
    print(k)
name
dob
gender

for v in d.values(): # 遍历字典的值
    print(v)
jason
2000-01-01
male    

for k, v in d.items(): # 遍历字典的键值对
    print('key: {}, value: {}'.format(k, v))
key: name, value: jason
key: dob, value: 2000-01-01
key: gender, value: male 

控制语句

  1. python 不支持 switch 语句,所以多个条件判断,只能用 elif 来实现。
  2. if a会首先去调用a的__nonzero__()去判断a是否为空,并返回True/False,若一个对象没有定义__nonzero__(),就去调用它的__len__()来进行判断(这里返回值为0代表空),若某一对象没有定义以上两种方法,则if a的结果永远为True。在实际写代码时,我们鼓励,除了 boolean 类型的数据,条件判断最好是显性的,少来if a这种形式 。
  3. for 和while 都能实现循环处理逻辑,for 更多用于遍历 集合 使用 for ... in ..,如果纯粹是循环次数的话,可以 for .. in range(1,10),死循环 while True,条件循环可以 while 条件。通常来说,如果你只是遍历一个已知的集合,找出满足条件的元素,并进行相应的操作,那么使用 for 循环更加简洁。但如果你需要在满足某个条件前,不停地重复某些操作,并且没有特定的集合需要去遍历,那么一般则会使用 while 循环。PS:也就是while 之后通常是条件,for 之后通常是集合
  4. 在 Python 中一切皆对象,对象的抽象就是类,而对象的集合就是容器。所有的容器都是可迭代的(iterable)。而可迭代对象,通过 iter() 函数返回一个迭代器,再通过 next() 函数就可以实现遍历。for in 语句将这个过程隐式化。
  5. 生成器在很多常用语言中,并没有相对应的模型。生成器是懒人版本的迭代器,在你调用 next() 函数的时候,才会生成下一个变量。生成器并不会像迭代器一样占用大量内存,只有在被使用的时候才会调用。
    1. next(generator) 调用生成器的 __next__() 方法,每次遇到 yield 时函数会暂停并保存当前所有的运行信息,返回 yield 的值后挂起, 并在下一次执行 next(generator) 方法时从当前位置继续运行。
    2. Python 引入生成器的最初目的是作为迭代器的替代。Python 中,可以迭代处理(比如在 for 循环中)的对象称为可迭代对象,可迭代对象实现了 __iter__() 特殊方法,返回一个迭代器。生成器允许用户使用 yield 关键字,将函数作为迭代器,而不用定义类并实现对应的特殊方法。Python 会自动帮用户填充特殊方法,使生成器变成迭代器。
    3. 生成器以懒加载模式按需返回值,因而更节约内存空间(甚至可以用于生成无限序列 ==> 迭代器是一个有限集合,生成器则可以成为一个无限集),可以暂停(只能将控制权移交给调用者next 函数)和恢复(被next 调用)。
  6. 推导式是Python的一种独有特性。推导式(for后置)是可以从一个数据序列构建另一个新的数据序列的结构体variable = [out_exp_res for out_exp in input_list if out_exp == 2]。有点类似 jdk8 的stream 。
  7. if-else的后置,类似于三目运算符/三元表达式:c = a if a > b else b,if中条件满足则返回a,否则返回b。

函数

  1. 不用声明参数类型(其实就是多态了,必要时请在函数开头加入数据类型的检查)、返回值类型。 python3.5 支持类型提示def func(变量名:类型) -> 返回类型
  2. 传参可以带名字,此时传参不用按顺序。
  3. 参数可以设定 是可选的/不定长参数,可以使用****传递的是元组/tuple,**传递的是字典/dict。对于 def f(a, *b,**c)f("1","2",abc="abc"),2 传给b,abc=”abc” 传给c。
  4. 给函数加注释也有一个规范,之后即可使用foo.__doc__ 查看函数文档
     def foo():
         '''这个函数的用途、用法、注意事项等等'''
         pass
    
  5. lambda函数没有名字,是一种简单的、在同一行中定义函数的方法。lambda表达式只允许包含一个表达式,不能包含复杂语句,该表达式的运算结果就是函数的返回值。lambda 的主体是只有一行的简单表达式,并不能扩展成一个多行的代码块。将lambda函数赋值给一个变量,通过这个变量间接调用该lambda函数。lambda 可以用在一些常规函数 def 不能用的地方,比如,lambda 可以用在列表内部,可以被用作某些函数的参数。
     f=lambda a,b,c,d:a*b*c*d
     print(f(1,2,3,4))  #相当于下面这个函数
     list1 = [1,2,3,4,5,6,7]
     list(filter(lambda i:i>2, list1))
    
  6. 内建函数,当你定义指定对象,python就会为指定对象赋予特定的一些能力/自省能力,可以使用dir() 函数查看其内部定义的属性和方法。
    1. filter(funcion,iterator), 过滤得到 iterator 中符合funcion 的 元素
    2. map(funciton,iterator), 对iterator 每个元素 进行function 转换
  7. 函数嵌套
    1. 函数的嵌套能够保证内部函数的隐私。内部函数只能被外部函数所调用和访问,不会暴露在全局作用域,因此,如果你的函数内部有一些隐私数据(比如数据库的用户、密码等),不想暴露在外,那你就可以使用函数的的嵌套,将其封装在内部函数中,只通过外部函数来访问
    2. 合理的使用函数嵌套,能够提高程序的运行效率。比如 我们使用递归的方式计算一个数的阶乘。因为在计算之前,需要检查输入是否合法,所以我写成了函数嵌套的形式,这样一来,输入是否合法就只用检查一次。而如果我们不使用函数嵌套,那么每调用一次递归便会检查一次,这是没有必要的,也会降低程序的运行效率。
       def factorial(input):
           # validation check
           if not isinstance(input, int):
               raise Exception('input must be an integer.')
           if input < 0:
               raise Exception('input must be greater or equal to 0' )
           ...
           def inner_factorial(input):
               if input <= 1:
                   return 1
               return input * inner_factorial(input-1)
           return inner_factorial(input)
       print(factorial(5))
      
  8. 魔法函数。允许你在类中自定义函数(函数名格式一般为__xx__),并绑定到类的特殊方法中。比如在类A中自定义__str__()函数,则在调用str(A())时,会自动调用__str__()函数,并返回相应的结果。Python中的魔法函数可以大概分为以下几类(看到魔法函数 就可以去查表):
    1. 类的构造、删除: object.__new__(self, ...) object.__init__(self, ...) object.__del__(self)
    2. 二元操作符: 加减乘除等,比如 + 对应 object.__add__(self, other)
    3. 扩展二元操作符:+=/-=
    4. 一元操作符:取负等
    5. 比较函数:<=/>
    6. 类的表示、输出:str() len()
    7. 类容器:in 操作等
  9. 装饰器本质上是一个 Python 函数或类,它可以让其他函数或类在不需要做任何代码修改的前提下增加额外功能,装饰器的返回值也是一个函数/类对象。它经常用于有切面需求的场景,比如:插入日志、性能测试、事务处理、缓存、权限校验等场景。 有了装饰器,我们就可以抽离出大量与函数功能本身无关的雷同代码到装饰器中并继续重用,调用的时候还是和以前一样。@ 符号是装饰器的语法糖。

为什么 Python 没有 main 函数?

  1. 编译语言,需要将代码编译成可执行的二进制文件。为了让操作系统/引导程序找到程序的开头,需要定义这样一个函数。
  2. Python是一种解释语言,即脚本语言。运行过程是从上到下,逐行进行的,这意味着它的起点是已知的
    1. 每个.py文件都是一个可执行文件,可作为整个程序的入口文件,意味着该程序的入口很灵活,而且无需遵循任何约定。
    2. 有时运行Python项目时不需要有指定入口文件(命令行比较常见,例如python -m http.server 8000),可能是因为该项目中有main.py文件,在软件包中作为“文件”来执行。
  3. 经常看到或编写以下代码,除了函数名是“main”之外,这段代码与我们前面介绍的main函数没有半点关系,这个函数既不是必须的,也不能确定程序的执行顺序。他们之所以要编写__name__ =='__main__',可能是因为想表明main()只在直接执行当前脚本时才运行,而在将其导入到其他模块时不要运行。PS: 以go 来类比,就相当于在这个地方写xx_test.go
     # main file
     def main():
         ……
     if __name__ == '__main__':
         main()
    

面向对象

传统的命令式语言有无数重复性代码,虽然函数的诞生减缓了许多重复性,但随着计算机的发展,只有函数依然不够,需要把更加抽象的概念引入计算机才能缓解(而不是解决)这个问题,于是 OOP 应运而生。

class Player():
    id  # 类变量
    def __init__(self,name,hp): # 类函数和普通函数的差别就是有一个 self 参数
        self.name = name    # 成员变量
        self.hp = hp        # 成员变量
    def print_role(self):
        print('%s %s' %{self.name,self.hp})
    def play(self):         # 利用异常机制抛出错误,强制子类实现该方法
        raise NotImplemetnedError('play')
user1 = Player('tom',100)
user1.print_role()
# MalePlayer 集成 Player
class MalePlayer(Player):
    ...
mp = MalePlayer("zhangsan",100)
print('mp的类型 %s' %type(mp))
print(isinstance(mp,Player))
  1. id 为类变量,类和类的实例都可以访问类变量,但只有类可以修改类变量;如果使用类的实例来修改类变量,那么python会自动给生成一个与类变量同名的成员变量,之后所有通过类的实例来访问和修改类变量,实际上访问和修改的是同名的成员变量。
  2. name 和hp 是成员变量,一般成员变量都是self.xxx,但并不是有的self.xxx都是成员变量。只有类__init__内包含的self.xxx变量,还有__init__所调用函数中的self.xxx变量,以上两类才是真正意义上的成员变量。除此之外的类内其它self.xxx变量只能看作是类内的全局变量。成员变量如果不想被直接访问,需要使用 __ 前缀修饰
  3. 所有的类 都继承自 object。 PS:难道python 一切皆对象,对象皆继承object,魔术方法都在object 里。 魔术方法可以理解为数据类型的接口?
  4. 如果要让内部属性不被外部访问,可以把属性的名称前加上两个下划线,在Python中,实例的变量名如果以__开头,就变成了一个私有变量(private)。变量名类似__xxx__的,也就是以双下划线开头,并且以双下划线结尾的,是特殊变量,特殊变量是可以直接访问的。有些时候,你会看到以一个下划线开头的实例变量名,比如_name,这样的实例变量外部是可以访问的,但是,按照约定俗成的规定,当你看到这样的变量时,意思就是,“虽然我可以被访问,但是,请把我视为私有变量,不要随意访问”。
  5. 可以用@dataclass注解 修饰class,类似java lombok 的@Data
  6. 类装饰器:类中一个非常特殊的实例方法,即 __call__()。该方法的功能类似于在类中重载 () 运算符,使得类实例对象可以像调用普通函数那样,以对象名()的形式使用。
  7. 每个类都有构造函数,继承类在生成对象的时候,是不会自动调用父类的构造函数的,因此你必须在 init() 函数中显式调用父类的构造函数。
  8. 类的魔术方法:__init__/__new__/__call__/__del__

异常

  1. 异常一种特殊对象,所有内置异常的基类是BaseException,所有内置的非系统退出类异常都派生自Exception。
  2. 异常捕获
     try:
         可能产生异常的代码
     except 异常:
         捕获指定异常后运行的代码
     else:
         try部分的代码没有抛出异常执行此部分代码
    

模块

层次从小到大

  1. 语句
  2. 函数 def
  3. 类 class
  4. 模块 module, 物理上是一个python文件
  5. 包 package, 物理上是一个文件夹, 包中可以含有模块和包

不可能所有java代码都写到一个xx.java文件里,自然也不可能所有的python代码(主要是函数和对象)都写到xx.py里,所以要分模块/文件。这就有一个如何引用其它 模块/文件 对象/函数 的问题。

  1. 在python里面,导入一个模块使用的是 import 文件名,python会在sys.path(可以在python里面打印sys.path是些什么目录)里面寻找匹配名称的文件。
     import 模块名称
     import 模块名称 as  别名
     from 模块名称 import 方法名
     from 包 import 模块
     from your_file import function_name, class_name
    
  2. 模块本质就是一个*.py文件,在模块的内部,可以通过一个全局变量__name__来获得模块名。
  3. 模块可以包含可执行的语句,这些语句在模块初始化的时候执行——当所在模块被import导入时,它们有且只有执行一次。
  4. 当一个模块首次被导入时,Python 会搜索该模块,如果找到就创建一个 module 对象并初始化它。python加载后的模块都会保存在sys.modules里面。
  5. 给python文件xx.py起名时,尽量不要用一些公共的包名,比如json等。假设有一个json.py,那么同一个包下的另一个python文件import json时就会找到自己写的json.py。(类似java classpath的搜索优先级问题)
  6. Python 是脚本语言,和 C++、Java 最大的不同在于,不需要显式提供 main() 函数入口。import 在导入文件的时候,会自动把所有暴露在外面的代码全都执行一遍。因此,如果你要把一个东西封装成模块,又想让它可以执行的话,你必须将要执行的代码放在 if __name__ == '__main__'下面(避开import 时执行)。其实,__name__ 作为 Python 的魔术内置参数,本质上是模块对象的一个属性。我们使用 import 语句时,__name__ 就会被赋值为该模块的名字,自然就不等于 __main__
  7. 安装第三方模块使用pip 命令

  1. 为了帮助组织模块并提供名称层次结构,Python 还引入了包的概念。包通过层次结构进行组织,在包之内除了一般的模块,还可以有子包。
  2. Python 定义了两种类型的包,常规包 和 命名空间包。
    1. 目录和包的区别在于,包会比目录多一个__init__.py的空文件。
    2. 常规包通常以一个包含 __init__.py 文件的目录形式实现,用来表述包对外暴露的模块接口。我们在导入一个包时,实际上是执行它的__init__.py文件,这样我们可以在__init__.py文件中批量导入我们所需要的模块,而不再需要一个一个的导入。不过,事实上,这是 Python 2 的规范。在 Python 3 规范中,__init__.py 并不是必须的

其它

编译语言,需要将代码编译成可执行的二进制文件。为了让操作系统/引导程序找到程序的开头,需要定义这样一个函数。简而言之,需要在大量可执行的代码中定义一个至关重要的的开头。Python是一种解释语言,即脚本语言。运行过程是从上到下,逐行进行的,这意味着它的起点是已知的。

  1. 每个.py文件都是一个可执行文件,可作为整个程序的入口文件,意味着该程序的入口很灵活,而且无需遵循任何约定。
  2. 有时运行Python项目时不需要有指定入口文件(命令行比较常见,例如“ python -m http.server 8000”),可能是因为该项目中有main.py文件,在软件包中作为“文件”来执行。