国产xxxx99真实实拍_久久不雅视频_高清韩国a级特黄毛片_嗯老师别我我受不了了小说

資訊專欄INFORMATION COLUMN

SICP Python 描述 第五章 序列和協程

leap_frog / 2848人閱讀

摘要:消息向迭代器獲取所表示的底層序列的下一個元素。為了對方法調用做出回應,迭代器可以執行任何計算來獲取或計算底層數據序列的下一個元素。這個迭代器應擁有方法,依次返回序列中的每個元素,最后到達序列末尾時產生異常。

第五章 序列和協程

來源:Chapter 5: Sequences and Coroutines

譯者:飛龍

協議:CC BY-NC-SA 4.0

5.1 引言

在這一章中,我們通過開發新的工具來處理有序數據,繼續討論真實世界中的應用。在第二張中,我們介紹了序列接口,在 Python 內置的數據類型例如tuplelist中實現。序列支持兩個操作:獲取長度和由下標訪問元素。第三章中,我們開發了序列接口的用戶定義實現,用于表示遞歸列表的Rlist類。序列類型具有高效的表現力,并且可以讓我們高效訪問大量有序數據集。

但是,使用序列抽象表示有序數據有兩個重要限制。第一個是長度為n的序列的要占據比例為n的內存總數。于是,序列越長,表示它所占的內存空間就越大。

第二個限制是,序列只能表示已知且長度有限的數據集。許多我們想要表示的有序集合并沒有定義好的長度,甚至有些是無限的。兩個無限序列的數學示例是正整數和斐波那契數。無限長度的有序數據集也出現在其它計算領域,例如,所有推特狀態的序列每秒都在增長,所以并沒有固定的長度。與之類似,經過基站發送出的電話呼叫序列,由計算機用戶發出的鼠標動作序列,以及飛機上的傳感器產生的加速度測量值序列,都在世界演化過程中無限擴展。

在這一章中,我們介紹了新的構造方式用于處理有序數據,它為容納未知或無限長度的集合而設計,但僅僅使用有限的內存。我們也會討論這些工具如何用于一種叫做協程的程序結構,來創建高效、模塊化的數據處理流水線。

5.2 隱式序列

序列可以使用一種程序結構來表示,它不將每個元素顯式儲存在內存中,這是高效處理有序數據的核心概念。為了將這個概念用于實踐,我們需要構造對象來提供序列中所有元素的訪問,但是不要事先把所有元素計算出來并儲存。

這個概念的一個簡單示例就是第二章出現的range序列類型。range表示連續有界的整數序列。但是,它的每個元素并不顯式在內存中表示,當元素從range中獲取時,才被計算出來。所以,我們可以表示非常大的整數范圍。只有范圍的結束位置才被儲存為range對象的一部分,元素都被憑空計算出來。

>>> r = range(10000, 1000000000)
>>> r[45006230]
45016230

這個例子中,當構造范圍示例時,并不是這個范圍內的所有 999,990,000 個整數都被儲存。反之,范圍對象將第一個元素 10,000 與下標相加 45,006,230 來產生第 45,016,230 個元素。計算所求的元素值并不從現有的表示中獲取,這是惰性計算的一個例子。計算機科學將惰性作為一種重要的計算工具加以贊揚。

迭代器是提供底層有序數據集的有序訪問的對象。迭代器在許多編程語言中都是內建對象,包括 Python。迭代器抽象擁有兩個組成部分:一種獲取底層元素序列的下一個元素的機制,以及一種標識元素序列已經到達末尾,沒有更多剩余元素的機制。在帶有內建對象系統的編程語言中,這個抽象通常相當于可以由類實現的特定接口。Python 的迭代器接口會在下一節中描述。

迭代器的實用性來源于一個事實,底層數據序列并不能顯式在內存中表達。迭代器提供了一種機制,可以依次計算序列中的每個值,但是所有元素不需要連續儲存。反之,當下個元素從迭代器獲取的時候,這個元素會按照請求計算,而不是從現有的內存來源中獲取。

范圍可以惰性計算序列中的元素,因為序列的表示是統一的,并且任何元素都可以輕易從范圍的起始和結束位置計算出來。迭代器支持更廣泛的底層有序數據集的惰性生成,因為它們不需要提供底層序列任意元素的訪問途徑。反之,它們僅僅需要按照順序,在每次其它元素被請求的時候,計算出序列的下一個元素。雖然不像序列可訪問任意元素那樣靈活(叫做隨機訪問),有序數據序列的順序訪問對于數據處理應用來說已經足夠了。

5.2.1 Python 迭代器

Python 迭代器接口包含兩個消息。__next__消息向迭代器獲取所表示的底層序列的下一個元素。為了對__next__方法調用做出回應,迭代器可以執行任何計算來獲取或計算底層數據序列的下一個元素。__next__的調用讓迭代器產生變化:它們向前移動迭代器的位置。所以多次調用__next__會有序返回底層序列的元素。在__next__的調用過程中,Python 通過StopIteration異常,來表示底層數據序列已經到達末尾。

下面的Letters類迭代了從ad字母的底層序列。成員變量current儲存了序列中的當前字母。__next__方法返回這個字母,并且使用它來計算current的新值。

>>> class Letters(object):
        def __init__(self):
            self.current = "a"
        def __next__(self):
            if self.current > "d":
                raise StopIteration
            result = self.current
            self.current = chr(ord(result)+1)
            return result
        def __iter__(self):
            return self

__iter__消息是 Python 迭代器所需的第二個消息。它只是簡單返回迭代器,它對于提供迭代器和序列的通用接口很有用,在下一節會描述。

使用這個類,我們就可以訪問序列中的字母:

>>> letters = Letters()
>>> letters.__next__()
"a"
>>> letters.__next__()
"b"
>>> letters.__next__()
"c"
>>> letters.__next__()
"d"
>>> letters.__next__()
Traceback (most recent call last):
  File "", line 1, in 
  File "", line 12, in next
StopIteration

Letters示例只能迭代一次。一旦__next__()方法產生了StopIteration異常,它就從此之后一直這樣了。除非創建新的實例,否則沒有辦法來重置它。

迭代器也允許我們表示無限序列,通過實現永遠不會產生StopIteration異常的__next__方法。例如,下面展示的Positives類迭代了正整數的無限序列:

>>> class Positives(object):
        def __init__(self):
            self.current = 0;
        def __next__(self):
            result = self.current
            self.current += 1
            return result
        def __iter__(self):
            return self
5.2.2 for語句

Python 中,序列可以通過實現__iter__消息用于迭代。如果一個對象表示有序數據,它可以在for語句中用作可迭代對象,通過回應__iter__消息來返回迭代器。這個迭代器應擁有__next__()方法,依次返回序列中的每個元素,最后到達序列末尾時產生StopIteration異常。

>>> counts = [1, 2, 3]
>>> for item in counts:
        print(item)
1
2
3

在上面的實例中,counts列表返回了迭代器,作為__iter__()方法調用的回應。for語句之后反復調用迭代器的__next__()方法,并且每次都將返回值賦給item。這個過程一直持續,直到迭代器產生了StopIteration異常,這時for語句就終止了。

使用我們關于迭代器的知識,我們可以拿while、賦值和try語句實現for語句的求值規則:

>>> i = counts.__iter__()
>>> try:
        while True:
            item = i.__next__()
            print(item)
    except StopIteration:
        pass
1
2
3

在上面,調用counts__iter__方法所返回的迭代器綁定到了名稱i上面,便于依次獲取每個元素。StopIteration異常的處理子句不做任何事情,但是這個異常的處理提供了退出while循環的控制機制。

5.2.3 生成器和yield語句

上面的LettersPositives對象需要我們引入一種新的字段,self.current,來跟蹤序列的處理過程。在上面所示的簡單序列中,這可以輕易實現。但對于復雜序列,__next__()很難在計算中節省空間。生成器允許我們通過利用 Python 解釋器的特性定義更復雜的迭代。

生成器是由一類特殊函數,叫做生成器函數返回的迭代器。生成器函數不同于普通的函數,因為它不在函數體中包含return語句,而是使用yield語句來返回序列中的元素。

生成器不使用任何對象屬性來跟蹤序列的處理過程。它們控制生成器函數的執行,每次__next__方法調用時,它們執行到下一個yield語句。Letters迭代可以使用生成器函數實現得更加簡潔。

>>> def letters_generator():
        current = "a"
        while current <= "d":
            yield current
            current = chr(ord(current)+1)
>>> for letter in letters_generator():
        print(letter)
a
b
c
d

即使我們永不顯式定義__iter__()__next__()方法,Python 會理解當我們使用yield語句時,我們打算定義生成器函數。調用時,生成器函數并不返回特定的產出值,而是返回一個生成器(一種迭代器),它自己就可以返回產出的值。生成器對象擁有__iter____next__方法,每個對__next__的調用都會從上次停留的地方繼續執行生成器函數,直到另一個yield語句執行的地方。

__next__第一次調用時,程序從letters_generator的函數體一直執行到進入yield語句。之后,它暫停并返回current值。yield語句并不破壞新創建的環境,而是為之后的使用保留了它。當__next__再次調用時,執行在它停留的地方恢復。letters_generator作用域中current和任何所綁定名稱的值都會在隨后的__next__調用中保留。

我們可以通過手動調用__next__()來遍歷生成器:

>>> letters = letters_generator()
>>> type(letters)

>>> letters.__next__()
"a"
>>> letters.__next__()
"b"
>>> letters.__next__()
"c"
>>> letters.__next__()
"d"
>>> letters.__next__()
Traceback (most recent call last):
  File "", line 1, in 
StopIteration

在第一次__next__()調用之前,生成器并不會開始執行任何生成器函數體中的語句。

5.2.4 可迭代對象

Python 中,迭代只會遍歷一次底層序列的元素。在遍歷之后,迭代器在__next__()調用時會產生StopIteration異常。許多應用需要迭代多次元素。例如,我們需要對一個列表迭代多次來枚舉所有的元素偶對:

>>> def all_pairs(s):
        for item1 in s:
            for item2 in s:
                yield (item1, item2)
>>> list(all_pairs([1, 2, 3]))
[(1, 1), (1, 2), (1, 3), (2, 1), (2, 2), (2, 3), (3, 1), (3, 2), (3, 3)]

序列本身不是迭代器,但是它是可迭代對象。Python 的可迭代接口只包含一個消息,__iter__,返回一個迭代器。Python 中內建的序列類型在__iter__方法調用時,返回迭代器的新實例。如果一個可迭代對象在每次調用__iter__時返回了迭代器的新實例,那么它就能被迭代多次。

新的可迭代類可以通過實現可迭代接口來定義。例如,下面的可迭代對象LetterIterable類在每次調用__iter__時返回新的迭代器來迭代字母。

>>> class LetterIterable(object):
        def __iter__(self):
            current = "a"
            while current <= "d":
                yield current
                current = chr(ord(current)+1)

__iter__方法是個生成器函數,它返回一個生成器對象,產出從"a""d"的字母。

Letters迭代器對象在單次迭代之后就被“用完”了,但是LetterIterable對象可被迭代多次。所以,LetterIterable示例可以用于all_pairs的參數。

>>> letters = LetterIterable()
>>> all_pairs(letters).__next__()
("a", "a")
5.2.5 流

流提供了一種隱式表示有序數據的最終方式。流是惰性計算的遞歸列表。就像第三章的Rlist類那樣,Stream實例可以響應對其第一個元素和剩余部分的獲取請求。同樣,Stream的剩余部分還是Stream。然而不像RList,流的剩余部分只在查找時被計算,而不是事先存儲。也就是說流的剩余部分是惰性計算的。

為了完成這個惰性求值,流會儲存計算剩余部分的函數。無論這個函數在什么時候調用,它的返回值都作為流的一部分,儲存在叫做_rest的屬性中。下劃線表示它不應直接訪問??稍L問的屬性rest是個方法,它返回流的剩余部分,并在必要時計算它。使用這個設計,流可以儲存計算剩余部分的方式,而不用總是顯式儲存它們。

>>> class Stream(object):
        """A lazily computed recursive list."""
        def __init__(self, first, compute_rest, empty=False):
            self.first = first
            self._compute_rest = compute_rest
            self.empty = empty
            self._rest = None
            self._computed = False
        @property
        def rest(self):
            """Return the rest of the stream, computing it if necessary."""
            assert not self.empty, "Empty streams have no rest."
            if not self._computed:
                self._rest = self._compute_rest()
                self._computed = True
            return self._rest
        def __repr__(self):
            if self.empty:
                return ""
            return "Stream({0}, )".format(repr(self.first))
>>> Stream.empty = Stream(None, None, True)

遞歸列表可使用嵌套表達式來定義。例如,我們可以創建RList,來表達15的序列,像下面這樣:

>>> r = Rlist(1, Rlist(2+3, Rlist.empty))

與之類似,我們可以創建一個Stream來表示相同序列。Stream在請求剩余部分之前,并不會實際計算下一個元素5

>>> s = Stream(1, lambda: Stream(2+3, lambda: Stream.empty))

這里,1是流的第一個元素,后面的lambda表達式是用于計算流的剩余部分的函數。被計算的流的第二個元素又是一個返回空流的函數。

訪問遞歸列表r和流s中的元素擁有相似的過程。但是,5儲存在了r之中,而對于s來說,它在首次被請求時通過加法來按要求計算。

>>> r.first
1
>>> s.first
1
>>> r.rest.first
5
>>> s.rest.first
5
>>> r.rest
Rlist(5)
>>> s.rest
Stream(5, )

make_integer_stream首次被調用時,它返回了一個流,流的first是序列中第一個整數(默認為1)。但是,make_integer_stream實際是遞歸的,因為這個流的compute_rest以自增的參數再次調用了make_integer_stream。這會讓make_integer_stream變成遞歸的,同時也是惰性的。

>>> ints.first
1
>>> ints.rest.first
2
>>> ints.rest.rest
Stream(3, )

無論何時請求整數流的rest,都僅僅遞歸調用make_integer_stream。

操作序列的相同高階函數 -- mapfilter -- 同樣可應用于流,雖然它們的實現必須修改來惰性調用它們的參數函數。map_stream在一個流上映射函數,這會產生一個新的流。局部定義的compute_rest函數確保了無論什么時候rest被計算出來,這個函數都會在流的剩余部分上映射。

>>> def map_stream(fn, s):
        if s.empty:
            return s
        def compute_rest():
            return map_stream(fn, s.rest)
        return Stream(fn(s.first), compute_rest)

流可以通過定義compute_rest函數來過濾,這個函數在流的剩余部分上調用過濾器函數。如果過濾器函數拒絕了流的第一個元素,剩余部分會立即計算出來。因為filter_stream是遞歸的,剩余部分可能會多次計算直到找到了有效的first元素。

>>> def filter_stream(fn, s):
        if s.empty:
            return s
        def compute_rest():
            return filter_stream(fn, s.rest)
        if fn(s.first):
            return Stream(s.first, compute_rest)
        return compute_rest()

map_streamfilter_stream展示了流式處理的常見模式:無論流的剩余部分何時被計算,局部定義的compute_rest函數都會對流的剩余部分遞歸調用某個處理函數。

為了觀察流的內容,我們需要將其截斷為有限長度,并轉換為 Python list。

>>> def truncate_stream(s, k):
        if s.empty or k == 0:
            return Stream.empty
        def compute_rest():
            return truncate_stream(s.rest, k-1)
        return Stream(s.first, compute_rest)
>>> def stream_to_list(s):
        r = []
        while not s.empty:
            r.append(s.first)
            s = s.rest
        return r

這些便利的函數允許我們驗證map_stream的實現,使用一個非常簡單的例子,從37的整數平方。

>>> s = make_integer_stream(3)
>>> s
Stream(3, )
>>> m = map_stream(lambda x: x*x, s)
>>> m
Stream(9, )
>>> stream_to_list(truncate_stream(m, 5))
[9, 16, 25, 36, 49]

我們可以使用我們的filter_stream函數來定義素數流,使用埃拉托斯特尼篩法(sieve of Eratosthenes),它對整數流進行過濾,移除第一個元素的所有倍數數值。通過成功過濾出每個素數,所有合數都從流中移除了。

>>> def primes(pos_stream):
        def not_divible(x):
            return x % pos_stream.first != 0
        def compute_rest():
            return primes(filter_stream(not_divible, pos_stream.rest))
        return Stream(pos_stream.first, compute_rest)

通過截斷primes流,我們可以枚舉素數的任意前綴:

>>> p1 = primes(make_integer_stream(2))
>>> stream_to_list(truncate_stream(p1, 7))
[2, 3, 5, 7, 11, 13, 17]

流和迭代器不同,因為它們可以多次傳遞給純函數,并且每次都產生相同的值。素數流并沒有在轉換為列表之后“用完”。也就是說,在將流的前綴轉換為列表之后,p1的第一個元素仍舊是2。

>>> p1.first
2

就像遞歸列表提供了序列抽象的簡單實現,流提供了簡單、函數式的遞歸數據結構,它通過高階函數的使用實現了惰性求值。

5.3 協程

這篇文章的大部分專注于將復雜程序解構為小型、模塊化組件的技巧。當一個帶有復雜行為的函數邏輯劃分為幾個獨立的、本身為函數的步驟時,這些函數叫做輔助函數或者子過程。子過程由主函數調用,主函數負責協調子函數的使用。

這一節中,我們使用協程,引入了一種不同的方式來解構復雜的計算。它是一種針對有序數據的任務處理方式。就像子過程那樣,協程會計算復雜計算的一小步。但是,在使用協程時,沒有主函數來協調結果。反之,協程會自發鏈接到一起來組成流水線??赡苡幸恍﹨f程消耗輸入數據,并把它發送到其它協程。也可能有一些協程,每個都對發送給它的數據執行簡單的處理步驟。最后可能有另外一些協程輸出最終結果。

協程和子過程的差異是概念上的:子過程在主函數中位于下級,但是協程都是平等的,它們協作組成流水線,不帶有任何上級函數來負責以特定順序調用它們。

這一節中,我們會學到 Python 如何通過yieldsend()語句來支持協程的構建。之后,我們會看到協程在流水線中的不同作用,以及協程如何支持多任務。

5.3.1 Python 協程

在之前一節中,我們介紹了生成器函數,它使用yield來返回一個值。Python 的生成器函數也可以使用(yield)語句來接受一個值。生成器對象上有兩個額外的方法:send()close(),創建了一個模型使對象可以消耗或產出值。定義了這些對象的生成器函數叫做協程。

協程可以通過(yield)語句來消耗值,向像下面這樣:

value = (yield)

使用這個語法,在帶參數調用對象的send方法之前,執行流會停留在這條語句上。

coroutine.send(data)

之后,執行會恢復,value會被賦為data的值。為了發射計算終止的信號,我們需要使用close()方法來關閉協程。這會在協程內部產生GeneratorExit異常,它可以由try/except子句來捕獲。

下面的例子展示了這些概念。它是一個協程,用于打印匹配所提供的模式串的字符串。

>>> def match(pattern):
        print("Looking for " + pattern)
        try:
            while True:
                s = (yield)
                if pattern in s:
                    print(s)
        except GeneratorExit:
            print("=== Done ===")

我們可以使用一個模式串來初始化它,之后調用__next__()來開始執行:

>>> m = match("Jabberwock")
>>> m.__next__()
Looking for Jabberwock

__next__()的調用會執行函數體,所以"Looking for jabberwock"會被打印。語句會一直持續執行,直到遇到line = (yield)語句。之后,執行會暫停,并且等待一個發送給m的值。我們可以使用send來將值發送給它。

>>> m.send("the Jabberwock with eyes of flame")
the Jabberwock with eyes of flame
>>> m.send("came whiffling through the tulgey wood")
>>> m.send("and burbled as it came")
>>> m.close()
=== Done ===

當我們以一個值調用m.send時,協程m內部的求值會在line = (yield)語句處恢復,這里會把發送的值賦給line變量。m中的語句會繼續求值,如果匹配的話會打印出那一行,并繼續執行循環,直到再次進入line = (yield)。之后,m中的求值會暫停,并在m.send調用后恢復。

我們可以將使用send()yield的函數鏈到一起來完成復雜的行為。例如,下面的函數將名為text的字符串分割為單詞,并把每個單詞發送給另一個協程。

每個單詞都發送給了綁定到next_coroutine的協程,使next_coroutine開始執行,而且這個函數暫停并等待。它在next_coroutine暫停之前會一直等待,隨后這個函數恢復執行,發送下一個單詞或執行完畢。

如果我們將上面定義的match和這個函數鏈到一起,我們就可以創建出一個程序,只打印出匹配特定單詞的單詞。

>>> text = "Commending spending is offending to people pending lending!"
>>> matcher = match("ending")
>>> matcher.__next__()
Looking for ending
>>> read(text, matcher)
Commending
spending
offending
pending
lending!
=== Done ===

read函數向協程matcher發送每個單詞,協程打印出任何匹配pattern的輸入。在matcher協程中,s = (yield)一行等待每個發送進來的單詞,并且在執行到這一行之后將控制流交還給read。

5.3.2 生產、過濾和消耗

協程基于如何使用yieldsend()而具有不同的作用:

生產者創建序列中的物品,并使用send(),而不是(yield)。

過濾器使用(yield)來消耗物品并將結果使用send()發送給下一個步驟。

消費者使用(yield)來消耗物品,但是從不發送。

上面的read函數是一個生產者的例子。它不使用(yield),但是使用send來生產數據。函數match是個消費者的例子。它不使用send發送任何東西,但是使用(yield)來消耗數據。我們可以將match拆分為過濾器和消費者。過濾器是一個協程,只發送與它的模式相匹配的字符串。

>>> def match_filter(pattern, next_coroutine):
        print("Looking for " + pattern)
        try:
            while True:
                s = (yield)
                if pattern in s:
                    next_coroutine.send(s)
        except GeneratorExit:
            next_coroutine.close()

消費者是一個函數,只打印出發送給它的行:

>>> def print_consumer():
        print("Preparing to print")
        try:
            while True:
                line = (yield)
                print(line)
        except GeneratorExit:
            print("=== Done ===")

當過濾器或消費者被構建時,必須調用它的__next__方法來開始執行:

>>> printer = print_consumer()
>>> printer.__next__()
Preparing to print
>>> matcher = match_filter("pend", printer)
>>> matcher.__next__()
Looking for pend
>>> read(text, matcher)
spending
pending
=== Done ===

即使名稱filter暗示移除元素,過濾器也可以轉換元素。下面的函數是個轉換元素的過濾器的示例。它消耗字符串并發送一個字典,包含了每個不同的字母在字符串中的出現次數。

>>> def count_letters(next_coroutine):
        try:
            while True:
                s = (yield)
                counts = {letter:s.count(letter) for letter in set(s)}
                next_coroutine.send(counts)
        except GeneratorExit as e:
            next_coroutine.close()

我們可以使用它來計算文本中最常出現的字母,并使用一個消費者,將字典合并來找出最常出現的鍵。

>>> def sum_dictionaries():
        total = {}
        try:
            while True:
                counts = (yield)
                for letter, count in counts.items():
                    total[letter] = count + total.get(letter, 0)
        except GeneratorExit:
            max_letter = max(total.items(), key=lambda t: t[1])[0]
            print("Most frequent letter: " + max_letter)

為了在文件上運行這個流水線,我們必須首先按行讀取文件。之后,將結果發送給count_letters,最后發送給sum_dictionaries。我們可以服用read協程來讀取文件中的行。

>>> s = sum_dictionaries()
>>> s.__next__()
>>> c = count_letters(s)
>>> c.__next__()
>>> read(text, c)
Most frequent letter: n
5.3.3 多任務

生產者或過濾器并不受限于唯一的下游。它可以擁有多個協程作為它的下游,并使用send()向它們發送數據。例如,下面是read的一個版本,向多個下游發送字符串中的單詞:

>>> def read_to_many(text, coroutines):
        for word in text.split():
            for coroutine in coroutines:
                coroutine.send(word)
        for coroutine in coroutines:
            coroutine.close()

我們可以使用它來檢測多個單詞中的相同文本:

>>> m = match("mend")
>>> m.__next__()
Looking for mend
>>> p = match("pe")
>>> p.__next__()
Looking for pe
>>> read_to_many(text, [m, p])
Commending
spending
people
pending
=== Done ===
=== Done ===

首先,read_to_manym上調用了send(word)。這個協程正在等待循環中的text = (yield),之后打印出所發現的匹配,并且等待下一個send。之后執行流返回到了read_to_many,它向p發送相同的行。所以,text中的單詞會按照順序打印出來。

文章版權歸作者所有,未經允許請勿轉載,若此文章存在違規行為,您可以聯系管理員刪除。

轉載請注明本文地址:http://specialneedsforspecialkids.com/yun/38109.html

相關文章

  • Python--Redis實戰:五章:使用Redis構建支持程序:第2節:計數器和統計數據

    摘要:清理程序通過對記錄已知計數器的有序集合執行命令來一個接一個的遍歷所有已知的計數器。 上一篇文章:Python--Redis實戰:第五章:使用Redis構建支持程序:第1節:使用Redis來記錄日志下一篇文章:Python--Redis實戰:第五章:使用Redis構建支持程序:第3節:查找IP所屬城市以及國家 正如第三章所述,通過記錄各個頁面的被訪問次數,我們可以根據基本的訪問計數信息...

    sourcenode 評論0 收藏0
  • python協程與golang協程的區別

    摘要:進程線程和協程進程的定義進程,是計算機中已運行程序的實體。協程和線程的關系協程是在語言層面實現對線程的調度,避免了內核級別的上下文消耗。和都引入了消息調度系統模型,來避免鎖的影響和進程線程開銷大的問題。 進程、線程和協程 進程的定義: 進程,是計算機中已運行程序的實體。程序本身只是指令、數據及其組織形式的描述,進程才是程序的真正運行實例。 線程的定義: 操作系統能夠進行運算調度的最小單...

    csRyan 評論0 收藏0
  • Python中的并發處理之使用asyncio包

    摘要:并發用于制定方案,用來解決可能但未必并行的問題。在協程中使用需要注意兩點使用鏈接的多個協程最終必須由不是協程的調用方驅動,調用方顯式或隱式在最外層委派生成器上調用函數或方法。對象可以取消取消后會在協程當前暫停的處拋出異常。 導語:本文章記錄了本人在學習Python基礎之控制流程篇的重點知識及個人心得,打算入門Python的朋友們可以來一起學習并交流。 本文重點: 1、了解asyncio...

    tuniutech 評論0 收藏0
  • Python基礎教程第二版》五章-條件、循環和其他語句(一)

    摘要:所解包的序列中的元素數量必須和賦值符號左邊的變量數量完全一致。其中,冒號標識語句塊開始塊中每一個語句都是縮進相同量退回到和已經閉合的塊一樣的縮進量時,表示當前塊結束。成員資格運算符字符串和序列比較字符串可按照字母順序比較。 print和import print打印多個表達式,用逗號,隔開 print abc:, 42, nonono #輸出在每個參數之間添加空格 print在結尾處加上...

    宋華 評論0 收藏0

發表評論

0條評論

leap_frog

|高級講師

TA的文章

閱讀更多
最新活動
閱讀需要支付1元查看
<