装饰器、迭代器、生成器

一、装饰器：

1、装饰器定义：

本质是函数，装饰其它函数，就是为其他函数添加附加功能。

@+函数

2、原则：

2.1.不能修改被装饰的函数的源代码

2.2不能修改被装饰的函数的调用方式

import time
def timmer(func):
    def warpper(*args,**kwargs):
        start_time=time.time()
        func()
        stop_time=time.time()
        print('the func run time is %s' %(stop_time-start_time))
    return warpper

@timmer
def test1():
    time.sleep(3)
    print('in the test1')
test1()

 3、实现装饰器知识储备

3.1.函数即’变量' 

3.2.高阶函数

满足下列条件之一就可成函数为高阶函数

1. 某一函数名当做实参传给另一个函数中（在不修改被装饰函数源代码的情况下为其添加功能）

2. 函数的返回值包含n个函数名,n>0（不修改函数的调用方式）

高阶函数示范：

def bar():
    print 'in the bar'
def foo(func):
    res=func()
    return res
foo(bar)

高阶函数牛x之处：

def foo(func):
    return func
 
print 'Function body is %s' %(foo(bar))
print 'Function name is %s' %(foo(bar).func_name)
foo(bar)()
#foo(bar)() 等同于bar=foo(bar)然后bar()
bar=foo(bar)
bar()

test2(bar()) #传递函数返回值

和test2(bar) #传递的函数地址

3.3.嵌套函数 

在一个函数体内定义一个函数，而不是调用一个函数(基于python支持静态嵌套域)

高阶函数+嵌套函数=>>装饰器

函数嵌套示范：

def foo():
    def bar():
        print 'in the bar'
 
    bar()
 
foo()
# bar()

局部作用域和全局作用域的访问顺序:

x=0
def grandpa():
    # x=1
    def dad():
        x=2
        def son():
            x=3
            print x
        son()
    dad()
grandpa()

局部变量修改对全局变量的影响:

y=10
# def test():
#     y+=1
#     print y
 
def test():
    # global y
    y=2
    print y
 
test()
print y
 
 
def dad():
    m=1
    def son():
        n=2
        print '--->',m + n
    print '-->',m
    son()
dad()

3.4匿名函数 lambda 和普通函数一样

calc = lambda x:x*3

print(clac(3)

 4.闭包：如果在一个内部函数里，对在外部作用域(但不是在全局作用域）的变量进行引用，那么内部函数就被认为是 closure

def counter(start_num=0):
    count=[start_num]
    def incr():
        count[0]+=1
        return count[0]
    return incr
 
print counter()
print counter()()
print counter()()
c=counter()
print c()
print c()

5.装饰器进阶

装饰器原理：

import time
def timer(func): #timer(test1)
    def deco():
        """
        在返回时调用该函数
        :return:
        """
        start_time = time.time()
        func()  #run test1函数
        stop_time=time.time()
        print('the func run time is %s' %(stop_time-start_time))
    return deco

@timer  #test1=timer(test1)运行函数
def test1():
    time.sleep(3)
    print('in the test1')
@timer
def test2():
    time.sleep(3)
    print('in the test2')

# test1()
# test2()

# deco(test1)   #可以实现运行，但改变了test1运行方式
# deco(test2)    #可以实现运行，但改变了test2运行方式
# test1=timer(test1)
test1()
test2()
# test2=deco(test2)
# test2()

增加参数：

带有参数的，报错：

test2()
  File "E:/python34foexam/test-decorator.py", line 58, in deco
    func()  #run test1函数
TypeError: test2() missing 1 required positional argument: 'name'

改正，加入参数：

import time
def timer(func): #timer(test1)
    def deco(*args,**kwargs):
        """
        在返回时调用该函数
        :return:
        """
        start_time = time.time()
        func(*args,**kwargs)  #run test1函数
        stop_time=time.time()
        print('the func run time is %s' %(stop_time-start_time))
    return deco  #返回deco函数内存地址

@timer  #test1=timer(test1)运行函数
def test1():
    time.sleep(3)
    print('in the test1')
@timer
def test2(name):
    time.sleep(3)
    print('in the test2')

# test1()
# test2()

# deco(test1)   #可以实现运行，但改变了test1运行方式
# deco(test2)    #可以实现运行，但改变了test2运行方式
# test1=timer(test1)
test1()
test2('alex')
# test2=deco(test2)
# test2()

装饰器应用实例：

装饰器功能：函数超时则终止

# -*- coding: utf-8 -*-  
from threading import Thread  
import time  
   
class TimeoutException(Exception):  
    pass  
   
ThreadStop = Thread._Thread__stop#获取私有函数  
   
def timelimited(timeout):  
    def decorator(function):  
        def decorator2(*args,**kwargs):  
            class TimeLimited(Thread):  
                def __init__(self,_error= None,):  
                    Thread.__init__(self)  
                    self._error =  _error  
                       
                def run(self):  
                    try:  
                        self.result = function(*args,**kwargs)  
                    except Exception,e:  
                        self._error =e  
   
                def _stop(self):  
                    if self.isAlive():  
                        ThreadStop(self)  
   
            t = TimeLimited()  
            t.start()  
            t.join(timeout)  
        
            if isinstance(t._error,TimeoutException):  
                t._stop()  
                raise TimeoutException('timeout for %s' % (repr(function)))  
   
            if t.isAlive():  
                t._stop()  
                raise TimeoutException('timeout for %s' % (repr(function)))  
   
            if t._error is None:  
                return t.result  
   
        return decorator2  
    return decorator  
  
@timelimited(2)  
def fn_1(secs):  
    time.sleep(secs)  
    return 'Finished'  
       
if __name__ == "__main__":  
    print fn_1(4)

装饰器终极（高级版）：

模拟n个页面，m个需要验证登录的情况，且home()和bbs()需要不同的验证方式

user,passwd='alex','abc123'
def auth(func):
    def wrapper(*args,**kwargs):
        username = input('Username').strip()
        password = input('Password').strip()
        if username == user and password == passwd:
            print('33[32;1mUser has passed authentication33[0m')
            # return func(*args, **kwargs)
            res = func(*args,**kwargs)
            print(res)
            print('----after authentication')
            return res        #处理调用不同函数时的返回值
        else:
            exit('33[32;1mInvalid username or password33[0m')
    return wrapper


@auth
def index():
    print('welcome to index page')

@auth
def home():
    print('welcome to home page')
    return "from home"
@auth
def bbs():
    print('welcome to bbs page')
index()
home()
bbs()

user,passwd='alex','abc123'
def auth(auth_type):
    def outer_wrapper(func):
        def wrapper(*args,**kwargs):
            username = input('Username').strip()
            password = input('Password').strip()
            if username == user and password == passwd:
                print('33[32;1mUser has passed authentication33[0m')
                # return func(*args, **kwargs)
                res = func(*args,**kwargs)
                print(res)
                print('----after authentication')
                return res        #处理调用不同函数时的返回值
            else:
                exit('33[32;1mInvalid username or password33[0m')
        return wrapper
    return outer_wrapper


def index():
    print('welcome to index page')

@auth(auth_type="local")  #传local验证
def home():
    print('welcome to home page')
    return "from home"
@auth(auth_type="ldap") #传ldap验证
def bbs():
    print('welcome to bbs page')
index()
home()
bbs()

#!/usr/bin/env python
# -*-coding:utf-8-*-
# __author__="Liudong"
def outer(func):
    def deco(*args,**kwargs):
        print('before %s' %func.__name__)
        res=func(*args,**kwargs)
        print('after %s' %func.__name__)
        return res
    return deco



@outer
def f1(arg):
    return arg + 1

@outer
def f2(arg1, arg2):
    return arg1 + arg2

# f1(1)
# f2(2,3)
print(f1(1))
print(f2(2,3))

 二、迭代器：

1.列表生成式，迭代器&生成器

 我现在有个需求，看列表[0, 1, 2, 3, 4, 5, 6, 7, 8, 9],我要求你把列表里的每个值加1，你怎么实现？你可能会想到2种方式 

普通版

>>> a
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
>>> a = map(lambda x:x+1, a)
>>> a
<map object at 0x101d2c630>
>>> for i in a:print(i)
... 
2
3
4
5
6
7
8
9
10
11

其实还有一种写法，如下 ：

>>> a = [i+1 for i in range(10)]
>>> a
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

这就叫做列表生成，如：

[func(i) for i in range(10)]

迭代器与生成器：

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 * x for x in range(10)]
>>> L
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
>>> g = (x * x for x in range(10))
>>> g
<generator object <genexpr> at 0x1022ef630>

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？

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)
9
>>> next(g)
16
>>> next(g)
25
>>> next(g)
36
>>> next(g)
49
>>> next(g)
64
>>> next(g)
81
>>> next(g)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
StopIteration

2.x中用next()方法，3.x中用x.__next__()

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。

生成器只有在调用时才会生成相应数据，且只记录当前位置，只有一个__next__()方法

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)
...
0
1
4
9
16
25
36
49
64
81

所以，我们创建了一个generator后，基本上永远不会调用next()，而是通过for循环来迭代它，并且不需要关心StopIteration的错误。

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：

def fib(max):
    n, a, b = 0, 0, 1
    while n < max:
        print(b)
        a, b = b, a + b
        n = n + 1
    return 'done'

注意，赋值语句：

a, b = b, a + b

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：

>>> fib(10)
1
1
2
3
5
8
13
21
34
55
done

仔细观察，可以看出，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。

也就是说，上面的函数和generator仅一步之遥。要把fib函数变成generator，只需要把print(b)改为yield b就可以了：

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

    while n < max:
        #print(b)
        yield  b   #返回的值，加yield,返回并保存当前状态值
        a,b = b,a+b

        n += 1

    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：

>>> f = fib(6)
>>> f
<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。

data = fib(10)
print(data)

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

#输出
<generator object fib at 0x101be02b0>
1
1
干点别的事
2
3
5
8
13

在上面fib的例子，我们在循环过程中不断调用yield，就会不断中断。当然要给循环设置一个条件来退出循环，不然就会产生一个无限数列出来。

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：

>>> for n in fib(6):
...     print(n)
...
1
1
2
3
5
8

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
...
g: 1
g: 1
g: 2
g: 3
g: 5
g: 8
Generator return value: done

关于如何捕获错误，后面的错误处理还会详细讲解。

还可通过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 准备吃包子了！'%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__()  #生成器不是函数，只会在内存生成，所以必须先运行一下next，先让它生成做好准备
    c2.__next__()
    print('老子开始做包子啦!')
    for i in range(10):
        time.sleep(1)
        print('做了2个包子!')
        c.send(i)
        c2.send(i)
producer('alex')

c.send('值')，可以把值发给yield。

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：

>>> 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

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：

>>> from collections import Iterator
>>> isinstance((x for x in range(10)), Iterator)
True
>>> isinstance([], Iterator)
False
>>> isinstance({}, Iterator)
False
>>> isinstance('abc', Iterator)
False

a=[1,2,3]  #是可迭代对象，不是迭代器，因为它没有__next__()方法
dir(a)

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

可以通过iter()方法，将对象变成迭代器：

>>> from collections import Iterator
>>> a=[1,2,3]
>>> iter(a)
<list_iterator object at 0x0138BE50>
>>> b=iter(a)
>>> b.__next__()
1
>>> b.__next__()
2
>>> b.__next__()
3

你可能会问，为什么list、dict、str等数据类型不是Iterator？

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。

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。

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；

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，例如：

for x in [1, 2, 3, 4, 5]:
    pass

实际上完全等价于：

# 首先获得Iterator对象:
it = iter([1, 2, 3, 4, 5])
# 循环:
while True:
    try:
        # 获得下一个值:
        x = next(it)
    except StopIteration:
        # 遇到StopIteration就退出循环
        break

2.x的range()是列表，xrange()是迭代器，3.x range()就是迭代器