小知识：
1、子类继承父类的三种方式
class Dog(Animal): #子类 派生类 def __init__(self,name,breed, life_value,aggr): # Animal.__init__(self,name,breed, life_value,aggr)#让子类执行父类的方法 就是父类名.方法名（参数），连self都得传 super().__init__(name,life_value,aggr) #super关键字 ，都不用传self了，在新式类里的 # super(Dog,self).__init__(name,life_value,aggr) #上面super是简写 self.breed = breed def bite(self,person): #狗的派生方法 person.life_value -= self.aggr def eat(self): #父类方法的重写 super().eat() print(\'dog is eating\')
2、对象通过索引设置值的三种方式
方式一：重写__setitem__方法
class Foo(object): def __setitem__(self, key, value): print(key,value) obj = Foo() obj["xxx"] = 123 #给对象赋值就会去执行__setitem__方法
方式二：继承dict
class Foo(dict): pass obj = Foo() obj["xxx"] = 123 print(obj)
方式三：继承dict,重写__init__方法的时候，记得要继承父类的__init__方法
class Foo(dict): def __init__(self,val): # dict.__init__(self, val)#继承父类方式一 # super().__init__(val) #继承父类方式二 super(Foo,self).__init__(val)#继承父类方式三 obj = Foo({"xxx":123}) print(obj)
总结：如果遇到obj["xxx"] = xx ,
- 重写了__setitem__方法
- 继承dict
3、测试__name__方法
示例：
app1中： import app2 print(\'app1\', __name__) app2中： print(\'app2\', __name__)
现在app1是主程序，运行结果截图
总结：如果是在自己的模块中运行，__name__就是__main__，如果是从别的文件中导入进来的，就不是__name__了
一、设置配置文件的几种方式
==========方式一：============ app.config[\'SESSION_COOKIE_NAME\'] = \'session_lvning\' #这种方式要把所有的配置都放在一个文件夹里面，看起来会比较乱，所以选择下面的方式 ==========方式二：============== app.config.from_pyfile(\'settings.py\') #找到配置文件路径，创建一个模块，打开文件，并获取所有的内容，再将配置文件中的所有值，都封装到上一步创建的配置文件模板中
print(app.config.get("CCC"))
=========方式三：对象的方式============
import os
os.environ[\'FLAKS-SETTINGS\'] = \'settings.py\'
app.config.from_envvar(\'FLAKS-SETTINGS\')
===============方式四（推荐）：字符串的方式，方便操作，不用去改配置，直接改变字符串就行了 ==============
app.config.from_object(\'settings.DevConfig\')
----------settings.DevConfig----------
from app import app
class BaseConfig(object):
NNN = 123 #注意是大写
SESSION_COOKIE_NAME = "session_sss"
class TestConfig(BaseConfig):
DB = "127.0.0.1"
class DevConfig(BaseConfig):
DB = "52.5.7.5"
class ProConfig(BaseConfig):
DB = "55.4.22.4"
要想在视图函数中获取配置文件的值，都是通过app.config来拿。但是如果视图函数和Flask创建的对象app不在一个模块。就得
导入来拿。可以不用导入，。直接导入一个current_app，这个就是当前的app对象，用current_app.config就能查看到了当前app的所有的配置文件
from flask import Flask,current_app
@app.route(\'/index\',methods=["GET","POST"]) def index(): print(current_app.config) #当前的app的所有配置 session["xx"] = "fdvbn" return "index"
二、蓝图（flask中多py文件拆分都要用到蓝图）
如果代码非常多，要进行归类。不同的功能放在不同的文件，吧相关的视图函数也放进去。蓝图也就是对flask的目录结构进行分配（应用于小，中型的程序），
小中型：
manage.py
import fcrm if __name__ == \'__main__\': fcrm.app.run()
__init__.py(只要一导入fcrm就会执行__init__.py文件)
from flask import Flask #导入accout 和order from fcrm.views import accout from fcrm.views import order app = Flask(__name__) print(app.root_path) #根目录 app.register_blueprint(accout.accout) #吧蓝图注册到app里面，accout.accout是创建的蓝图对象 app.register_blueprint(order.order)
accout.py
from flask import Blueprint,render_template accout = Blueprint("accout",__name__) @accout.route(\'/accout\') def xx(): return "accout" @accout.route("/login") def login(): return render_template("login.html")
order.py
from flask import Blueprint order = Blueprint("order",__name__) @order.route(\'/order\') def register(): #注意视图函数的名字不能和蓝图对象的名字一样 return "order
使用蓝图时需要注意的
大型：
三、数据库连接池
flask中是没有ORM的，如果在flask里面连接数据库有两种方式
一：pymysql
二：SQLAlchemy
是python 操作数据库的一个库。能够进行 orm 映射官方文档 sqlchemy
SQLAlchemy“采用简单的Python语言，为高效和高性能的数据库访问设计，实现了完整的企业级持久模型”。SQLAlchemy的理念是，SQL数据库的量级和性能重要于对象集合；而对象集合的抽象又重要于表和行。
链接池原理
- BDUtils数据库链接池 - 模式一：基于threaing.local实现为每一个线程创建一个连接，关闭是 伪关闭，当前线程可以重复 - 模式二：连接池原理 - 可以设置连接池中最大连接数 9 - 默认启动时，连接池中创建连接 5 - 如果有三个线程来数据库中获取连接： - 如果三个同时来的，一人给一个链接 - 如果一个一个来，有时间间隔，用一个链接就可以为三个线程提供服务 - 说不准 有可能:1个链接就可以为三个线程提供服务 有可能:2个链接就可以为三个线程提供服务 有可能:3个链接就可以为三个线程提供服务 PS、：maxshared在使用pymysql中均无用。链接数据库的模块：只有threadsafety>1的时候才有用
那么我们用pymysql来做。
为什么要使用数据库连接池呢？不用连接池有什么不好的地方呢？
方式一、每次操作都要链接数据库，链接次数过多
#!usr/bin/env python # -*- coding:utf-8 -*- import pymysql from flask import Flask app = Flask(__name__) # 方式一：这种方式每次请求，反复创建数据库链接，多次链接数据库会非常耗时 # 解决办法：放在全局，单例模式 @app.route(\'/index\') def index(): # 链接数据库 conn = pymysql.connect(host="127.0.0.1",port=3306,user=\'root\',password=\'123\', database=\'pooldb\',charset=\'utf8\') cursor = conn.cursor() cursor.execute("select * from td where id=%s", [5, ]) result = cursor.fetchall() # 获取数据 cursor.close() conn.close() # 关闭链接 print(result) return "执行成功" if __name__ == \'__main__\': app.run(debug=True)
方式二、不支持并发
#!usr/bin/env python # -*- coding:utf-8 -*- import pymysql from flask import Flask from threading import RLock app = Flask(__name__) CONN = pymysql.connect(host="127.0.0.1",port=3306,user=\'root\',password=\'123\', database=\'pooldb\',charset=\'utf8\') # 方式二：放在全局，如果是单线程，这样就可以，但是如果是多线程，就得加把锁。这样就成串行的了 # 不支持并发，也不好。所有我们选择用数据库连接池 @app.route(\'/index\') def index(): with RLock: cursor = CONN.cursor() cursor.execute("select * from td where id=%s", [5, ]) result = cursor.fetchall() # 获取数据 cursor.close() print(result) return "执行成功" if __name__ == \'__main__\': app.run(debug=True)
方式三：由于上面两种方案都不完美，所以得把方式一和方式二联合一下（既让减少链接次数，也能支持并发）所有了方式三，需要
导入一个DButils模块
基于DButils实现的数据库连接池有两种模式：
模式一：为每一个线程创建一个链接（是基于本地线程来实现的。thread.local），每个线程独立使用自己的数据库链接，该线程关闭不是真正的关闭，本线程再次调用时，还是使用的最开始创建的链接，直到线程终止，数据库链接才关闭
注： 模式一：如果线程比较多还是会创建很多连接，模式二更常用
#!usr/bin/env python # -*- coding:utf-8 -*- from flask import Flask app = Flask(__name__) from DBUtils.PersistentDB import PersistentDB import pymysql POOL = PersistentDB( creator=pymysql, # 使用链接数据库的模块 maxusage=None, # 一个链接最多被重复使用的次数，None表示无限制 setsession=[], # 开始会话前执行的命令列表。如：["set datestyle to ...", "set time zone ..."] ping=0, # ping MySQL服务端，检查是否服务可用。# 如：0 = None = never, 1 = default = whenever it is requested, 2 = when a cursor is created, 4 = when a query is executed, 7 = always closeable=False, # 如果为False时， conn.close() 实际上被忽略，供下次使用，再线程关闭时，才会自动关闭链接。如果为True时， conn.close()则关闭链接，那么再次调用pool.connection时就会报错，因为已经真的关闭了连接（pool.steady_connection()可以获取一个新的链接） threadlocal=None, # 本线程独享值得对象，用于保存链接对象，如果链接对象被重置 host=\'127.0.0.1\', port=3306, user=\'root\', password=\'123\', database=\'pooldb\', charset=\'utf8\' ) @app.route(\'/func\') def func():
conn = POOL.connection()
cursor = conn.cursor()
cursor.execute(\'select * from tb1\')
result = cursor.fetchall()
cursor.close()
conn.close() # 不是真的关闭，而是假的关闭。 conn = pymysql.connect() conn.close()
conn = POOL.connection()
cursor = conn.cursor()
cursor.execute(\'select * from tb1\')
result = cursor.fetchall()
cursor.close()
conn.close()
if __name__ == \'__main__\': app.run(debug=True)
模式二：创建一个链接池，为所有线程提供连接，使用时来进行获取，使用完毕后在放回到连接池。
PS：假设最大链接数有10个，其实也就是一个列表，当你pop一个，人家会在append一个，链接池的所有的链接都是按照排队的这样的方式来链接的。
链接池里所有的链接都能重复使用，共享的， 即实现了并发，又防止了链接次数太多
import time import pymysql import threading from DBUtils.PooledDB import PooledDB, SharedDBConnection POOL = PooledDB( creator=pymysql, # 使用链接数据库的模块 maxconnections=6, # 连接池允许的最大连接数，0和None表示不限制连接数 mincached=2, # 初始化时，链接池中至少创建的空闲的链接，0表示不创建 maxcached=5, # 链接池中最多闲置的链接，0和None不限制 maxshared=3, # 链接池中最多共享的链接数量，0和None表示全部共享。PS: 无用，因为pymysql和MySQLdb等模块的 threadsafety都为1，所有值无论设置为多少，_maxcached永远为0，所以永远是所有链接都共享。 blocking=True, # 连接池中如果没有可用连接后，是否阻塞等待。True，等待；False，不等待然后报错 maxusage=None, # 一个链接最多被重复使用的次数，None表示无限制 setsession=[], # 开始会话前执行的命令列表。如：["set datestyle to ...", "set time zone ..."] ping=0, # ping MySQL服务端，检查是否服务可用。# 如：0 = None = never, 1 = default = whenever it is requested, 2 = when a cursor is created, 4 = when a query is executed, 7 = always host=\'127.0.0.1\', port=3306, user=\'root\', password=\'123\', database=\'pooldb\', charset=\'utf8\' ) def func(): # 检测当前正在运行连接数的是否小于最大链接数，如果不小于则：等待或报raise TooManyConnections异常 # 否则 # 则优先去初始化时创建的链接中获取链接 SteadyDBConnection。 # 然后将SteadyDBConnection对象封装到PooledDedicatedDBConnection中并返回。 # 如果最开始创建的链接没有链接，则去创建一个SteadyDBConnection对象，再封装到PooledDedicatedDBConnection中并返回。 # 一旦关闭链接后，连接就返回到连接池让后续线程继续使用。 # PooledDedicatedDBConnection conn = POOL.connection() # print(th, \'链接被拿走了\', conn1._con) # print(th, \'池子里目前有\', pool._idle_cache, \'\\r\\n\') cursor = conn.cursor() cursor.execute(\'select * from tb1\') result = cursor.fetchall() conn.close() conn = POOL.connection() # print(th, \'链接被拿走了\', conn1._con) # print(th, \'池子里目前有\', pool._idle_cache, \'\\r\\n\') cursor = conn.cursor() cursor.execute(\'select * from tb1\') result = cursor.fetchall() conn.close() func()
五、本地线程：保证每个线程都只有自己的一份数据，在操作时不会影响别人的，即使是多线程，自己的值也是互相隔离的
没用线程之前
import threading
import time
class Foo(object): def __init__(self): self.name = None local_values = Foo() def func(num): time.sleep(2) local_values.name = num print(local_values.name,threading.current_thread().name) for i in range(5): th = threading.Thread(target=func, args=(i,), name=\'线程%s\' % i) th.start()
打印结果：
1 线程1 0 线程0 2 线程2 3 线程3 4 线程4
用了本地线程之后
import threading import time # 本地线程对象 local_values = threading.local() def func(num): """ # 第一个线程进来，本地线程对象会为他创建一个 # 第二个线程进来，本地线程对象会为他创建一个 { 线程1的唯一标识：{name:1}, 线程2的唯一标识：{name:2}, } :param num: :return: """ local_values.name = num # 4 # 线程停下来了 time.sleep(2) # 第二个线程： local_values.name，去local_values中根据自己的唯一标识作为key，获取value中name对应的值 print(local_values.name, threading.current_thread().name) for i in range(5): th = threading.Thread(target=func, args=(i,), name=\'线程%s\' % i) th.start()
打印结果：
1 线程1 2 线程2 0 线程0 4 线程4 3 线程3
六、上下文管理
a、类似于本地线程 创建Local类： { 线程或协程唯一标识: { \'stack\':[request],\'xxx\':[session,] }, 线程或协程唯一标识: { \'stack\':[] }, 线程或协程唯一标识: { \'stack\':[] }, 线程或协程唯一标识: { \'stack\':[] }, } b、上下文管理的本质 每一个线程都会创建一个上面那样的结构， 当请求进来之后，将请求相关数据添加到列表里面[request，]，以后如果使用时，就去读取 列表中的数据，请求完成之后，将request从列表中移除 c、关系 local = 小华={ 线程或协程唯一标识: { \'stack\':[] }, 线程或协程唯一标识: { \'stack\':[] }, 线程或协程唯一标识: { \'stack\':[] }, 线程或协程唯一标识: { \'stack\':[] }, } stack = 强哥 = { push pop top } 存取东西时都要基于强哥来做 d、最近看过一些flask源码，flask还是django有些区别 - Flask和Django区别？ - 请求相关数据传递的方式 - django：是通过传request参数实现的 - Flask：基于local对象和，localstark对象来完成的 当请求刚进来的时候就给放进来了，完了top取值就行了,取完之后pop走就行了 问题：多个请求过来会不会混淆 -答： 不会，因为，不仅是线程的，还是协程，每一个协程都是有唯一标识的： from greenlent import getcurrentt as get_ident #这个就是来获取唯一标识的
flask的request和session设置方式比较新颖，如果没有这种方式，那么就只能通过参数的传递。
flask是如何做的呢？
- 本地线程：是Flask自己创建的一个线程（猜想：内部是不是基于本地线程做的？） vals = threading.local() def task(arg): vals.name = num - 每个线程进来都是打印的自己的，只有自己的才能修改， - 通过他就能保证每一个线程里面有一个数据库链接，通过他就能创建出数据库链接池的第一种模式 - 上下文原理 - 类似于本地线程 - 猜想：内部是不是基于本地线程做的？不是，是一个特殊的字典
#!/usr/bin/env python # -*- coding:utf-8 -*- from functools import partial from flask.globals import LocalStack, LocalProxy ls = LocalStack() class RequestContext(object): def __init__(self, environ): self.request = environ def _lookup_req_object(name): top = ls.top if top is None: raise RuntimeError(ls) return getattr(top, name) session = LocalProxy(partial(_lookup_req_object, \'request\')) ls.push(RequestContext(\'c1\')) # 当请求进来时，放入 print(session) # 视图函数使用 print(session) # 视图函数使用 ls.pop() # 请求结束pop ls.push(RequestContext(\'c2\')) print(session) ls.push(RequestContext(\'c3\')) print(session)
3. Flask内部实现
#!/usr/bin/env python # -*- coding:utf-8 -*- from greenlet import getcurrent as get_ident def release_local(local): local.__release_local__() class Local(object): __slots__ = (\'__storage__\', \'__ident_func__\') def __init__(self): # self.__storage__ = {} # self.__ident_func__ = get_ident object.__setattr__(self, \'__storage__\', {}) object.__setattr__(self, \'__ident_func__\', get_ident) def __release_local__(self): self.__storage__.pop(self.__ident_func__(), None) def __getattr__(self, name): try: return self.__storage__[self.__ident_func__()][name] except KeyError: raise AttributeError(name) def __setattr__(self, name, value): ident = self.__ident_func__() storage = self.__storage__ try: storage[ident][name] = value except KeyError: storage[ident] = {name: value} def __delattr__(self, name): try: del self.__storage__[self.__ident_func__()][name] except KeyError: raise AttributeError(name) class LocalStack(object): def __init__(self): self._local = Local() def __release_local__(self): self._local.__release_local__() def push(self, obj): 以上是关于蓝图基于DBUtils实现数据库连接池上下文管理等的主要内容，如果未能解决你的问题，请参考以下文章