一、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：1.不能修改被装饰的函数的源代码
2.不能修改被装饰的函数的调用方式
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外一个函数（在不修改被装饰函数源代码的情况下为其添加功能），返回值中包含函数名（不修改函数的调用方式）
3.嵌套函数
高阶函数+嵌套函数=》装饰器
例子：
import time
def timmer(func):
def warpper(*args,**kwargs):
start_time=time.time()
res=func(*args,**kwargs)
stop_time=time.time()
print(‘the func run time is %s‘ %(stop_time-start_time))
return res
return warpper
@timmer #等效于test1=timmer(test1) = warpper
def test1():
time.sleep(3)
print(‘in the test1‘)
@timer
def test2(name,age)
time.sleep(1)
print(‘test2‘:name,age)
test1()
test2(‘zhaoc‘,22)
进阶版：
import time
user,passwd = ‘alex‘,‘abc123‘
def auth(auth_type):
print("auth func:",auth_type)
def outer_wrapper(func):
def wrapper(*args, **kwargs):
print("wrapper func args:", *args, **kwargs)
if auth_type == "local": #如果是local方式登录，进行校验
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) # from home
print("---after authenticaion ")
return res
else:
exit("\033[31;1mInvalid username or password\033[0m")
elif auth_type == "ldap": #如果是ldap方式登录，不让校验
print("搞毛线ldap,不会。。。。")
return wrapper
return outer_wrapper
def index():
print("welcome to index page")
@auth(auth_type="local") # home = wrapper()
def home():
print("welcome to home page")
return "from home"
@auth(auth_type="ldap")
def bbs():
print("welcome to bbs page")
index()
print(home()) #wrapper()
bbs()
二、生成器
列表生成式即List Comprehensions，是Python内置的非常简单却强大的可以用来创建list的生成式。
举个例子，要生成list [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]可以用list(range(1, 11))
通过列表生成式，可以创建一个列表。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
第一种方法，只要把一个列表生成式的[]改成()
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：g = (x*x for x in range(10))
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：
>>> next(g) 0
>>> next(g) 1
>>> next(g) 4 ……
>>> next(g) 64
>>> next(g) 81
>>> next(g)
Traceback (most recent call last): File "<stdin>", line 1, in <module> StopIteration
我们讲过，generator保存的是算法，每次调用next(g)，就计算出g的下一个元素的值，直到计算到最后一个元素，没有更多的元素时，抛出StopIteration的错误。
当然，上面这种不断调用next(g)实在是太变态了，正确的方法是使用for循环，因为generator也是可迭代对象：
>>> g = (x * x for x in range(10))
>>> for n in g: ... print(n)
第二种方法，函数实现
generator非常强大。如果推算的算法比较复杂，用类似列表生成式的for循环无法实现的时候，还可以用函数来实现。
比如，著名的斐波拉契数列（Fibonacci），除第一个和第二个数外，任意一个数都可由前两个数相加得到：
1, 1, 2, 3, 5, 8, 13, 21, 34, …
斐波拉契数列用列表生成式写不出来，但是，用函数把它打印出来却很容易：
1 def fib(max): 2 n, a, b = 0, 0, 1 3 while n < max: 4 print(b) 5 a, b = b, a + b 6 n = n + 1 7 return ‘done‘
注意，赋值语句：
1 a, b = b, a + b 2 # 错误以为，等同于一下： 3 # a = b 4 # b = a + b
其实，等同于：
1 t = (b, a + b) # t是一个tuple 2 a = t[0] 3 b = t[1]
但不必显式写出临时变量t就可以赋值。
上面的函数可以输出斐波那契数列的前N个数：
1 >>> fib(5) 2 1 3 1 4 2 5 3 6 5 7 done
fib函数实际上是定义了斐波拉契数列的推算规则，可以从第一个元素开始，推算出后续任意的元素，这种逻辑其实非常类似generator。
要把fib函数变成generator，只需要把print(b)改为yield b就可以了：
1 def fib(max): 2 n,a,b = 0,0,1 3 4 while n < max: 5 #print(b) 6 yield b 7 a,b = b,a+b 8 9 n += 1 10 11 return ‘done‘
这就是定义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：
1 >>> f = fib(6) 2 >>> f 3 <generator object fib at 0x104feaaa0>
这里，最难理解的就是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。
同样的，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：
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：
1 >>> g = fib(6) 2 >>> while True: 3 ... try: 4 ... x = next(g) 5 ... print(‘g:‘, x) 6 ... except StopIteration as e: 7 ... print(‘Generator return value:‘, e.value) 8 ... break 9 ... 10 g: 1 11 g: 1 12 g: 2 13 g: 3 14 g: 5 15 g: 8 16 Generator return value: done
还可通过yield实现在单线程的情况下实现并发运算的效果
1 import time 2 def consumer(name): # 消费者 3 print("%s 准备吃包子啦！" %name) 4 while True: 5 baozi = yield 6 print("包子【%s】来了，被【%s】吃了！" %(baozi, name)) 7 8 def producer(): # 生产者 9 c = consumer(‘A‘) 10 c2 = consumer(‘B‘) 11 12 c.__next__() 13 next(c2) 14 15 print("开始做包子了！") 16 for i in ["韭菜馅","茴香馅","鸡蛋馅","猪肉馅"]: 17 time.sleep(1.5) 18 print("做了两个个包子") 19 c.send(i) #------------------------ 20 c2.send(i) # .send(i):给yield发送值 21 22 producer()
小结
- 生成式：一边循环一边计算,调用的时候才生成，只有在调用时才回生成相应的数据。只记录当前位置，只有一个next方法。（next和 __next__）
- 取值：使用for 循环
c.__next__()这个方法，超出值后抛出异常为返回值。）循环不会。 - .send()：给yield发送值
- 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。
三、迭代器
我们已经知道，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。
这些可以直接作用于for循环的对象统称为可迭代对象：Iterable。
可以使用isinstance()判断一个对象是否是Iterable对象：
1 >>> from collections import Iterable 2 >>> isinstance([], Iterable) 3 True 4 >>> isinstance({}, Iterable) 5 True 6 >>> isinstance(‘abc‘, Iterable) 7 True 8 >>> isinstance((x for x in range(10)), Iterable) 9 True 10 >>> isinstance(100, Iterable) 11 False
而生成器不但可以作用于for循环，还可以被next()函数不断调用并返回下一个值，直到最后抛出StopIteration错误表示无法继续返回下一个值了。
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：
1 >>> from collections import Iterator 2 >>> isinstance((x for x in range(10)), Iterator) 3 True 4 >>> isinstance([], Iterator) 5 False 6 >>> isinstance({}, Iterator) 7 False 8 >>> isinstance(‘abc‘, Iterator) 9 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：
1 >>> isinstance(iter([]), Iterator) 2 True 3 >>> isinstance(iter(‘abc‘), Iterator) 4 True
1 你可能会问，为什么list、dict、str等数据类型不是Iterator？ 2 这是因为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。可以把这个数据流看做是一个有序序列，但我们却不能提前知道序列的长度，只能不断通过next()函数实现按需计算下一个数据，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。 3 Iterator甚至可以表示一个无限大的数据流，例如全体自然数。而使用list是永远不可能存储全体自然数的。 4 python版本： 5 3.x：range() 是迭代器 6 2.x：range() 是列表，xrange()是迭代器
小结
- 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；
所以生成器一定是迭代器。 - 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。