本节内容

1. 迭代器&生成器
2. 装饰器
3. Json & pickle 数据序列化
4. 软件目录结构规范
5. 作业:ATM项目开发

---

1. 装饰器

定义：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：

• 不能修改被装饰函数的源代码
• 不能修改被装饰函数的调用方式

实现装饰器知识储备：
1、函数即“变量”

2、高阶函数

把一个函数名当做实参传给另一个函数(不修改被装饰函数源代码情况下为期添加功能)

import time

def bar():
    time.sleep(3)
    print('in the bar')

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

test1(bar)

返回值中包含函数名(不修改函数的调用方式)

import time

def bar():
    time.sleep(3)
    print('in the bar')

def test2(func):
    print(func)
    return func     #返回func内存地址

t = test2(bar)  #t是bar的内存地址(写bar函数名传递的是内存地址，写bar()传递的是运行结果)
print(t)
t()     #代表运行bar()

bar = test2(bar)
bar()   #加上test2的功能，没有改变bar的调用方式

3、嵌套函数

#函数嵌套
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
装饰器实例：

import time

def timer(func):
    def deco():     #==>高阶
        start_time = time.time()
        func()
        stop_time = time.time()
        print("the func run time is %s" %(stop_time-start_time))
    return deco     #==>嵌套
#高阶函数+嵌套函数==>装饰器

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

#print((timer(test1)))   #返回deco的内存地址

#test1 = timer(test1)
#test1()

test1()

import time

def timer(func):
    def deco(*args,**kwargs):     #==>高阶
        start_time = time.time()
        func(*args,**kwargs)
        stop_time = time.time()
        print("the func run time is %s" %(stop_time-start_time))
    return deco     #==>嵌套

高阶函数+嵌套函数==>装饰器

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

@timer
def test2(name):
    time.sleep(1)
    print('in the test2',name)
#print((timer(test1)))   #返回deco的内存地址

#test1 = timer(test1)
#test1()

test1()
test2('Alex')

终极版！

import time
user,passwd = 'Alex','abc123'
def auth(auth_type):
    print("auth type:",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("\033[32;1mUser has passed authentication\033[0m")
                    res = func(*args,**kwargs)
                    return res
                else:
                    exit("\033[31;1mInvalid username or password\033[0m")
            elif auth_type == "ldap":
                print("搞毛线dap 不会。。。")
        return wrapper
    return outer_wrapper
def index():
    print("welcome to index page")

@auth(auth_type = "local")
def home():
    print("welcome to home page")
    return "from home"

@auth(auth_type = "ldap")
def bbs():
    print("welcome to bbs page")

index()
print(home())
bbs()

---

2. 迭代器与生成器

1、列表生成式：

a = [i+1 for i in range(10)]

2、生成器

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 = [x * 2 for x in range(10)]
print(L)
>>>[0, 2, 4, 6, 8, 10, 12, 14, 16, 18]
g = (x * 2 for x in range(10))
print(g)
>>><generator object <genexpr> at 0x000001D69638F048>

创建L和g的区别仅在于最外层的[]和()，L是一个list，而g是一个generator。

我们可以直接打印出list的每一个元素，但我们怎么打印出generator的每一个元素呢？

生成器只有在调用时才会生成相应的数据，如果要一个一个打印出来，可以通过next()函数获得generator的下一个返回值：

print(__next__(g))
print(__next__(g))

定义generator的另一种方法：如果一个函数定义中包含yield关键字，那么这个函数就不再是一个普通函数，而是一个generator

def fib(max):
    n,a,b = 0,0,1

    while n < max:
        #print(b)
        yield  b    #要把fib函数变成generator，只需要把print(b)改为yield b就可以了：
        a,b = b,a+b

        n += 1

    return 'done'

data = fib(10)
print(data)

print(data.__next__())
print(data.__next__())
print("干点别的事")
print(data.__next__())
print(data.__next__())

generator和函数的执行流程不一样。函数是顺序执行，遇到return语句或者最后一行函数语句就返回。而变成generator的函数，在每次调用next()的时候执行，遇到yield语句返回，再次执行时从上次返回的yield语句处继续执行。

把函数改成generator后，我们基本上从来不会用next()来获取下一个返回值，而是直接使用for循环来迭代：

for n in fib(6):
    print(n)

但是用for循环调用generator时，发现拿不到generator的return语句的返回值。如果想要拿到返回值，必须捕获StopIteration错误，返回值包含在StopIteration的value中：

g = fib(6)
while True:
    try:
        x = next(g)
        print('g:', x)
    except StopIteration as e:
        print('Generator return value:', e.value)
        break

例：通过yield实现在单线程的情况下实现并发运算的效果

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(10):
        time.sleep(1)
        print("做了2个包子!")
        c.send(i)
        c2.send(i)
producer("alex")

3、迭代器
可以直接作用于for循环的对象统称为可迭代对象：Iterable。

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；

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

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

小结

• 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。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。
• 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。
• Python的for循环本质上就是通过不断调用next()函数实现的。

---

3. Json & pickle 数据序列化

1、JSon序列化：可实现简单数据交互

json序列化：
#import json
info = {
    'name':'alex',
    'age':22,
}

f = open('test.text','w')
print(json.dumps(info))
f.write(json.dumps(info))

f.close()


json反序列化：
import json

f = open('test.text','r')
data = json.loads(f.read())

f.close()
print(data["age"])

2、pickle序列化：可实现复杂的数据交互，只能在Python中使用

pickle序列化：
import pickle
def hello(name):
    print('hello',name)

info = {
    'name':'alex',
    'age':22,
    'func':hello
}
f = open('test.text','wb')
print(pickle.dumps(info))
f.write(pickle.dumps(info))

f.close()

pickle反序列化：
import pickle
def hello(name):
    print('hello2',name)
f = open('test.text','rb')
data = pickle.loads(f.read())

f.close()
print(data["func"]('laala'))

---

4. 软件目录结构规范

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。

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。

---

5. 本节作业

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 3、购物车，调用信用卡接口结账
4、可以提现，手续费5%
5、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
6、支持多账户登录
7、支持账户间转账
8、记录每月日常消费流水
9、提供还款接口
10、ATM记录操作日志
11、提供管理接口，包括添加账户、用户额度，冻结账户等。。。
用户认证用装饰器