Python爬虫技术–基础篇–Python高级特性-python高级特性

260次阅读
没有评论
Python爬虫技术--基础篇--Python高级特性-python高级特性

1.切片

取一个list或tuple的部分元素是非常常见的操作。比如,一个list如下:

>>> L = [‘Michael’, ‘Sarah’, ‘Tracy’, ‘Bob’, ‘Jack’]

取前3个元素,应该怎么做?

笨办法:

>>> [L[0], L[1], L[2]]
[‘Michael’, ‘Sarah’, ‘Tracy’]

之所以是笨办法是因为扩展一下,取前N个元素就没辙了。

取前N个元素,也就是索引为0-(N-1)的元素,可以用循环:

>>> r = []
>>> n = 3
>>> for i in range(n):
… r.append(L[i])

>>> r
[‘Michael’, ‘Sarah’, ‘Tracy’]

对这种经常取指定索引范围的操作,用循环十分繁琐,因此,Python提供了切片(Slice)操作符,能大大简化这种操作。

对应上面的问题,取前3个元素,用一行代码就可以完成切片:

>>> L[0:3]
[‘Michael’, ‘Sarah’, ‘Tracy’]

​​L[0:3]​​​表示,从索引​​0​​​开始取,直到索引​​3​​​为止,但不包括索引​​3​​​。即索引​​0​​​,​​1​​​,​​2​​,正好是3个元素。(左闭右开)

如果第一个索引是​​0​​,还可以省略:

>>> L[:3]
[‘Michael’, ‘Sarah’, ‘Tracy’]

也可以从索引1开始,取出2个元素出来:

>>> L[1:3]
[‘Sarah’, ‘Tracy’]

类似的,既然Python支持​​L[-1]​​取倒数第一个元素,那么它同样支持倒数切片,试试:

>>> L[-2:]
[‘Bob’, ‘Jack’]
>>> L[-2:-1]
[‘Bob’]

记住倒数第一个元素的索引是​​-1​​。

切片操作十分有用。我们先创建一个0-99的数列:

>>> L = list(range(100))
>>> L
[0, 1, 2, 3, …, 99]

可以通过切片轻松取出某一段数列。比如前10个数:

>>> L[:10]
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

后10个数:

>>> L[-10:]
[90, 91, 92, 93, 94, 95, 96, 97, 98, 99]

前11-20个数:

>>> L[10:20]
[10, 11, 12, 13, 14, 15, 16, 17, 18, 19]

前10个数,每两个取一个:

>>> L[:10:2]
[0, 2, 4, 6, 8]

所有数,每5个取一个:

>>> L[::5]
[0, 5, 10, 15, 20, 25, 30, 35, 40, 45, 50, 55, 60, 65, 70, 75, 80, 85, 90, 95]

甚至什么都不写,只写​​[:]​​就可以原样复制一个list:

>>> L[:]
[0, 1, 2, 3, …, 99]

tuple也是一种list,唯一区别是tuple不可变。因此,tuple也可以用切片操作,只是操作的结果仍是tuple:

>>> (0, 1, 2, 3, 4, 5)[:3]
(0, 1, 2)

字符串​​’xxx’​​也可以看成是一种list,每个元素就是一个字符。因此,字符串也可以用切片操作,只是操作结果仍是字符串:

>>> ‘ABCDEFG'[:3]
‘ABC’
>>> ‘ABCDEFG'[::2]
‘ACEG’

在很多编程语言中,针对字符串提供了很多各种截取函数(例如,substring),其实目的就是对字符串切片。Python没有针对字符串的截取函数,只需要切片一个操作就可以完成,非常简单。

2.迭代

如果给定一个list或tuple,我们可以通过​​for​​循环来遍历这个list或tuple,这种遍历我们称为迭代(Iteration)。

在Python中,迭代是通过​​for … in​​来完成的,而很多语言比如C语言,迭代list是通过下标完成的,比如Java代码:

for (i=0; i<list.length; i++)="" { n = list[i];
}

可以看出,Python的​​for​​​循环抽象程度要高于C的​​for​​​循环,因为Python的​​for​​循环不仅可以用在list或tuple上,还可以作用在其他可迭代对象上。

list这种数据类型虽然有下标,但很多其他数据类型是没有下标的,但是,只要是可迭代对象,无论有无下标,都可以迭代,比如dict就可以迭代:

>>> d = {‘a’: 1, ‘b’: 2, ‘c’: 3}
>>> for key in d:
… print(key)

a
c
b

因为dict的存储不是按照list的方式顺序排列,所以,迭代出的结果顺序很可能不一样。

默认情况下,dict迭代的是key。如果要迭代value,可以用​​for value in d.values()​​​,如果要同时迭代key和value,可以用​​for k, v in d.items()​​。

由于字符串也是可迭代对象,因此,也可以作用于​​for​​循环:

>>> for ch in ‘ABC’:
… print(ch)

A
B
C

所以,当我们使用​​for​​​循环时,只要作用于一个可迭代对象,​​for​​循环就可以正常运行,而我们不太关心该对象究竟是list还是其他数据类型。

那么,如何判断一个对象是可迭代对象呢?方法是通过collections模块的Iterable类型判断:

>>> from collections import Iterable
>>> isinstance(‘abc’, Iterable) # str是否可迭代
True
>>> isinstance([1,2,3], Iterable) # list是否可迭代
True
>>> isinstance(123, Iterable) # 整数是否可迭代
False

最后一个小问题,如果要对list实现类似Java那样的下标循环怎么办?Python内置的​​enumerate​​​函数可以把一个list变成索引-元素对,这样就可以在​​for​​循环中同时迭代索引和元素本身:

>>> for i, value in enumerate([‘A’, ‘B’, ‘C’]):
… print(i, value)

0 A
1 B
2 C

上面的​​for​​循环里,同时引用了两个变量,在Python里是很常见的,比如下面的代码:

>>> for x, y in [(1, 1), (2, 4), (3, 9)]:
… print(x, y)

1 1
2 4
3 9

小结

任何可迭代对象都可以作用于​​for​​​循环,包括我们自定义的数据类型,只要符合迭代条件,就可以使用​​for​​循环。

3.列表生成式

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))​​:

>>> list(range(1, 11))
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

但如果要生成​​[1×1, 2×2, 3×3, …, 10×10]​​怎么做?方法一是循环:

>>> L = []
>>> for x in range(1, 11):
… L.append(x * x)

>>> L
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]

但是循环太繁琐,而列表生成式则可以用一行语句代替循环生成上面的list:

>>> [x * x for x in range(1, 11)]
[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]

写列表生成式时,把要生成的元素​​x * x​​​放到前面,后面跟​​for​​循环,就可以把list创建出来,十分有用,多写几次,很快就可以熟悉这种语法。

for循环后面还可以加上if判断,这样我们就可以筛选出仅偶数的平方:

>>> [x * x for x in range(1, 11) if x % 2 == 0]
[4, 16, 36, 64, 100]

还可以使用两层循环,可以生成全排列:

>>> [m + n for m in ‘ABC’ for n in ‘XYZ’]
[‘AX’, ‘AY’, ‘AZ’, ‘BX’, ‘BY’, ‘BZ’, ‘CX’, ‘CY’, ‘CZ’]

三层和三层以上的循环就很少用到了。

运用列表生成式,可以写出非常简洁的代码。例如,列出当前目录下的所有文件和目录名,可以通过一行代码实现:

>>> import os # 导入os模块,模块的概念后面讲到
>>> [d for d in os.listdir(‘.’)] # os.listdir可以列出文件和目录
[‘.emacs.d’, ‘.ssh’, ‘.Trash’, ‘Adlm’, ‘Applications’, ‘Desktop’, ‘Documents’, ‘Downloads’, ‘Library’, ‘Movies’, ‘Music’, ‘Pictures’, ‘Public’, ‘VirtualBox VMs’, ‘Workspace’, ‘XCode’]

​​for​​​循环其实可以同时使用两个甚至多个变量,比如​​dict​​​的​​items()​​可以同时迭代key和value:

>>> d = {‘x’: ‘A’, ‘y’: ‘B’, ‘z’: ‘C’ }
>>> for k, v in d.items():
… print(k, ‘=’, v)

y = B
x = A
z = C

因此,列表生成式也可以使用两个变量来生成list:

>>> d = {‘x’: ‘A’, ‘y’: ‘B’, ‘z’: ‘C’ }
>>> [k + ‘=’ + v for k, v in d.items()]
[‘y=B’, ‘x=A’, ‘z=C’]

最后把一个list中所有的字符串变成小写:

>>> L = [‘Hello’, ‘World’, ‘IBM’, ‘Apple’]
>>> [s.lower() for s in L]
[‘hello’, ‘world’, ‘ibm’, ‘apple’]

if … else

使用列表生成式的时候,有些童鞋经常搞不清楚​​if…else​​的用法。

例如,以下代码正常输出偶数:

>>> [x for x in range(1, 11) if x % 2 == 0]
[2, 4, 6, 8, 10]

但是,我们不能在最后的​​if​​​加上​​else​​:

>>> [x for x in range(1, 11) if x % 2 == 0 else 0]
File “”, line 1
[x for x in range(1, 11) if x % 2 == 0 else 0]
^
SyntaxError: invalid syntax

这是因为跟在​​for​​​后面的​​if​​​是一个筛选条件,不能带​​else​​,否则如何筛选?

另一些童鞋发现把​​if​​​写在​​for​​​前面必须加​​else​​,否则报错:

>>> [x if x % 2 == 0 for x in range(1, 11)]
File “”, line 1
[x if x % 2 == 0 for x in range(1, 11)]
^
SyntaxError: invalid syntax

这是因为​​for​​​前面的部分是一个表达式,它必须根据​​x​​​计算出一个结果。因此,考察表达式:​​x if x % 2 == 0​​​,它无法根据​​x​​​计算出结果,因为缺少​​else​​​,必须加上​​else​​:

>>> [x if x % 2 == 0 else -x for x in range(1, 11)]
[-1, 2, -3, 4, -5, 6, -7, 8, -9, 10]

上述​​for​​​前面的表达式​​x if x % 2 == 0 else -x​​​才能根据​​x​​计算出确定的结果。

可见,在一个列表生成式中,​​for​​​前面的​​if … else​​​是表达式,而​​for​​​后面的​​if​​​是过滤条件,不能带​​else​​。

小结

运用列表生成式,可以快速生成list,可以通过一个list推导出另一个list,而代码却十分简洁。

4.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="" 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 “”, line 1, in
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)

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

相当于:

t = (b, a + b) # t是一个tuple
a = t[0]
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:

>>> fib(6)
1
1
2
3
5
8
‘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:
yield b
a, b = b, a + b
n = 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

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。

举个简单的例子,定义一个generator,依次返回数字1,3,5:

def odd():
print(‘step 1’)
yield 1
print(‘step 2’)
yield(3)
print(‘step 3’)
yield(5)

调用该generator时,首先要生成一个generator对象,然后用​​next()​​函数不断获得下一个返回值:

>>> o = odd()
>>> next(o)
step 1
1
>>> next(o)
step 2
3
>>> next(o)
step 3
5
>>> next(o)
Traceback (most recent call last):
File “”, line 1, in
StopIteration

可以看到,​​odd​​​不是普通函数,而是generator,在执行过程中,遇到​​yield​​​就中断,下次又继续执行。执行3次​​yield​​​后,已经没有​​yield​​​可以执行了,所以,第4次调用​​next(o)​​就报错。

回到​​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

小结

generator是非常强大的工具,在Python中,可以简单地把列表生成式改成generator,也可以通过函数实现复杂逻辑的generator。

要理解generator的工作原理,它是在​​for​​​循环的过程中不断计算出下一个元素,并在适当的条件结束​​for​​​循环。对于函数改成的generator来说,遇到​​return​​​语句或者执行到函数体最后一行语句,就是结束generator的指令,​​for​​循环随之结束。

5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.abc 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.abc import Iterator
>>> isinstance((x for x in range(10)), Iterator)
True
>>> isinstance([], Iterator)
False
>>> isinstance({}, Iterator)
False
>>> isinstance(‘abc’, Iterator)
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:

>>> isinstance(iter([]), Iterator)
True
>>> isinstance(iter(‘abc’), Iterator)
True

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


神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试

相关文章:

版权声明:Python教程2022-11-01发表,共计9449字。
新手QQ群:570568346,欢迎进群讨论 Python51学习