关于 Python_你一定没读过的8个技巧

介绍 Python 功能和小技巧的文章网上有无数篇，比如变量解压缩，partial 偏函数，枚举可迭代对象... 但关于 Python 我们能说的还有很多。所以今天我将向大家展示一些我知道和有使用过的特性，这些特性在其它文章或博客中很少被提及：

消毒字符串输入

对用户输入内容进行消毒几乎适用于你写的每一个程序。通常来说转换字符大小写的操作就足够了，有时候用 Regex 正则表达式就能完成，但对于比较复杂的情况，我们有更好的办法：

user_input = "This\nstring has\tsome whitespaces...\r\n"
character_map = {
ord('\n') : ' ',
ord('\t') : ' ',
ord('\r') : None
}
user_input.translate(character_map) # This string has some whitespaces... "

在这个例子中我们可以看到空格子字符"\n"和"\t"已被单个空格代替，而"\r"已经被删除。这是一个很简单的示例，但我们可以更进一步，并使用unicodedata包和它的 combining() 函数来重新生成映射。

迭代器切片

如果尝试对 Iterator 进行切片，则会出现 TypeError和"generator object is not subscriptable"的报错，但我们有一个简单的解决办法：

import itertools
s = itertools.islice(range(50), 10, 20) # <itertools.islice object at 0x7f70fab88138>
for val in s:
...

通过使用 itertools.islice我们可以创建一个 islice对象，该对象是产生所需项目的迭代器。不过这里需要注意的是，它会消耗所有的生成器项直到切片的开始为止，而且还会消耗 islice对象中的所有项。

跳过可迭代对象的开始部分

有时候你不得不去处理这样一些文件，它们的开头是毫无用处的行，比如注释之类的。itertools再一次地能在这里派上用场：

string_from_file = """
// Author: ...
// License: ...
//
// Date: ...
Actual content...
"""
import itertools
for line in itertools.dropwhile(lambda line: line.startswith("//"), string_from_file.split
print(line)

这个代码片段只会生成文件开始注释之后的部分。如果我们只想丢弃可迭代对象开头的某些项（比如这个例子中的注释部分），但不确定这个项的大小，这个方法很实用。

创建支持 with声明的对象

大家想必都知道如何用 with声明来打开文件或者获取锁，但我们能实现自己的 with声明吗？是的，实际上通过使用 enter和 exit我们就可以实现一个上下文管理器协议：

class Connection:
def __init__(self):
...
def __enter__(self):
# Initialize connection...
def __exit__(self, type, value, traceback):
# Close connection...
with Connection() as c:
# __enter__() executes
...
# conn.__exit__() executes

这是 Python 中实现上下文管理最常见的方法，但其实还有一种更简单的方法：

from contextlib import contextmanager
@contextmanager
def tag(name):
print(f"<{name}>")
yield
print(f"")
with tag("h1"):
print("This is Title.")

上面的代码片段使用 contextmanager管理器装饰器实现了内容管理协议。进入 with块时，执行 tag()的第一部分（在 yield之前），然后再执行该块，最后执行 tag()剩下的部分。

用 slots节省内存

如果在你编写的程序中会创建某个类的大量实例，那么你肯定已经注意到你的程序会占用大量内存。这是因为 Python 使用 Dictionary 来表示类实例的属性，虽然它速度很快但内存效率却很低。大部分情况下这个问题并不那么严重，但如果它对你的程序来说是一个大问题，你可以尝试使用 slots：

class Person:
__slots__ = ["first_name", "last_name", "phone"]
def __init__(self, first_name, last_name, phone):
self.first_name = first_name
self.last_name = last_name
self.phone = phone

所以这里的情况就是当我们定义slots的属性时，Python 使用的是小型的固定大小的数组，而不是 dictionary，这就大大减少了每个实例所需的内存。使用 slots也有缺点——我们无法声明任何新属性，并且只能在 slots上使用它们。同样，带有 slots的类不能使用多重继承。

限制 CPU 和内存使用

如果你不是想通过优化程序来降低它的 CPU 和内存使用率，而是想简单粗暴地直接限制它为某个数字，那么 Python 中有一个库可以做到：

import signal
import resource
import os
# To Limit CPU time
def time_exceeded(signo, frame):
print("CPU exceeded...")
raise SystemExit(1)
def set_max_runtime(seconds):
# Install the signal handler and set a resource limit
soft, hard = resource.getrlimit(resource.RLIMIT_CPU)
resource.setrlimit(resource.RLIMIT_CPU, (seconds, hard))
signal.signal(signal.SIGXCPU, time_exceeded)
# To limit memory usage
def set_max_memory(size):
soft, hard = resource.getrlimit(resource.RLIMIT_AS)
resource.setrlimit(resource.RLIMIT_AS, (size, hard))

这里我们看到了两种限制最大 CPU 运行时间和最大内存使用的方法。对于 CPU 限制，我们首先获得该特定资源（ RLIMIT_CPU）的软限制与硬限制，然后使用参数指定的描述和闲钱获取的硬限制来设置它。最后，如果 CPU 时间被超出，我们将注册导致系统退出的信号。至于内存方面，我们再次获取软限制与硬限制，并使用带有 size 参数的 setrlimit和获取的硬限制对其进行设置。

控制可导入和不可导入的内容

有些语言对于到处成员变量，方法和接口有着非常明确的机制，比如 Golang，在 Go 中仅有以大写字母开头的成员才能被导出。另一方面，在 Python 中，所有内容都可以到处，除非我们使用 all：

def foo():
pass
def bar():
pass
__all__ = ["bar"]

根据上面的代码片段，我们可以看出只有 bar()会被导出。另外，我们可以将 all保留为空，并且从此模块导入时，不会输出任何 AttributeError。

比较运算符的简便方法

Python 中有很多比较运算符：lt , le , gt 和 ge，但有没有更容易的方法呢？functools.total_ordering就可以办到：

from functools import total_ordering
@total_ordering
class Number:
def __init__(self, value):
self.value = value
def __lt__(self, other):
return self.value < other.value
def __eq__(self, other):
return self.value == other.value
print(Number(20) > Number(3))
print(Number(1) < Number(5))
print(Number(15) >= Number(15))
print(Number(10) <= Number(2))

那么它实际上是怎么工作的呢？total_ordering装饰器用于简化为我们的类实现实力顺序的过程。只需要定义 lt 和 eq，这也是映射剩余操作所需的最低要求，也是装饰器的工作——它为我们填补了这个空缺。在学习Python的过程中，往往因为没有资料或者没人指导从而导致自己不想学下去了，因此我特意准备了个群 592539176 ，群里有大量的PDF书籍、教程都给大家免费使用！不管是学习到哪个阶段的小伙伴都可以获取到自己相对应的资料！

总结

上述的特性与操作都不一定是你在日常 Python 编程中常用到的，但其中一些时不时会让你感到头疼。上面所提供的解决方案大多简化了很多任务，这些任务用较为常见的方法处理都会比较冗长无聊。另外要指出的一点是，所有的这些功能都是 Python 标准库的一部分。在我看来，其中一些功能类似于“标准库中的非标准功能”，因此每当你想要在 Python 中实现某些功能时，首先去标准库里找一找，如果没有这个功能，那肯定是你找得不够仔细，如果实在是没有，再去找相关的第三方库。