IronPython和C#交互
IronPython是一个.NET平台上的Python实现，包括了完整的编译器、执行引擎与运行时支持，能够与.NET已有的库无缝整合到一起。
IronPython已经很好的集成到了.NET framework中，所以Ironpython和C#的交互也就变得很简单了。下面就通过一些简单的例子来看看IronPython和C#之间的交互。
环境设置
工欲善其事，必先利其器，所以在开始IronPython的开发之前，我们先找到一个方便的开发环境。
PTVS（Python tools for Visual Studio）是一个免费开源的VisualStudio的插件，支持 VisualStudio 2010/2012/2013，安装好这个插件之后，我们就可以直接通过VS进行IronPython的开发了。
下面一个截图显示了我们可以新建的项目模板：
IronPython调用C#
首先我们看下如何在IronPython中使用C#的简单例子。
使用标准.NET库
在.NET中，有很多标准库，在IronPython中，就可以使用import来引入这些标准库来直接使用。看一个简单的例子，我们使用.NET中的String和DateTime
from System import DateTime, String
formatStr = String.Format("{0} {1}", "Hello World! The current date and time is ", DateTime.Now)
print formatStr
print dir(String)
raw_input("press Enter to exit!")代码输出如下，可以看到在IronPython代码中，可以通过String的Format方法进行字符串格式化的输出。
引入.NET库
在.NET开发中，会经常通过References来引用一些.NET库，当然在IronPython项目中，也可以引用并使用.NET库。
例如，现在我们有一个Calc的计算类型，里面有一个Add和Sub方法。通过这个类型，生成了一个CalcLib.dll。
namespace CalcLib
{
public class Calc
{
public int Add(int a, int b)
{
return a + b;
}
public int Sub(int a, int b)
{
return a - b;
}
}
}
下面看看如何在IronPython项目中使用这个dll，在IronPython中，可以使用"clr"模块来添加.NET引用：
import clr
clr.AddReference('CalcLib')
#clr.AddReferenceToFile('CalcLib.dll')
from CalcLib import Calc
print dir(Calc)
calcObj = Calc()
print "result of 3+4 is:", calcObj.Add(3,4)
print "result of 10+2 is:", calcObj.Sub(10,2)
raw_input("press Enter to exit!")
代码输出如下，当引用了CalcLib.dll之后，我们就可以使用Calc类型创建实例，并且使用实例的C#方法。
IronPython创建WPF应用
在IronPython项目中，也可以引入WPF相关的.NET库，这样就可以方便的创建图形界面应用。
安装过PTVS之后，里面有个"IronPython WPF Application"的模板，通过这个模板，可以直接创建WPF应用。
在新建的项目中，VS会帮我们自动引用WPF相关的库，同时会有一个.py和.xaml文件。
下面看一个简单的例子，通过IrpnPython实现的一个简单计算器，界面的代码如下：
<Grid> <Grid.RowDefinitions> <RowDefinition></RowDefinition> <RowDefinition></RowDefinition> <RowDefinition></RowDefinition> <RowDefinition></RowDefinition> <RowDefinition></RowDefinition> <RowDefinition></RowDefinition> </Grid.RowDefinitions> <Grid.ColumnDefinitions> <ColumnDefinition></ColumnDefinition> <ColumnDefinition></ColumnDefinition> <ColumnDefinition></ColumnDefinition> <ColumnDefinition></ColumnDefinition> </Grid.ColumnDefinitions> <TextBlock Name="InputTb" Grid.Row="0" Grid.ColumnSpan="4"/> <TextBlock Name="ResultTb" Grid.Row="1" Grid.ColumnSpan="3"/> <Button Content="1" Grid.Row="2" Grid.Column="0" Click="Input_Button_Click"/> <Button Content="2" Grid.Row="2" Grid.Column="1" Click="Input_Button_Click"/> <Button Content="3" Grid.Row="2" Grid.Column="2" Click="Input_Button_Click"/> <Button Content="4" Grid.Row="3" Grid.Column="0" Click="Input_Button_Click"/> <Button Content="5" Grid.Row="3" Grid.Column="1" Click="Input_Button_Click"/> <Button Content="6" Grid.Row="3" Grid.Column="2" Click="Input_Button_Click"/> <Button Content="7" Grid.Row="4" Grid.Column="0" Click="Input_Button_Click"/> <Button Content="8" Grid.Row="4" Grid.Column="1" Click="Input_Button_Click"/> <Button Content="9" Grid.Row="4" Grid.Column="2" Click="Input_Button_Click"/> <Button Content="0" Grid.Row="5" Grid.Column="0" Click="Input_Button_Click"/> <Button Content="+" Grid.Row="2" Grid.Column="3" Click="Input_Button_Click"/> <Button Content="-" Grid.Row="3" Grid.Column="3" Click="Input_Button_Click"/> <Button Content="*" Grid.Row="4" Grid.Column="3" Click="Input_Button_Click"/> <Button Content="/" Grid.Row="5" Grid.Column="3" Click="Input_Button_Click"/> <Button Content="." Grid.Row="5" Grid.Column="1" Click="Input_Button_Click"/> <Button Content="C" Grid.Row="5" Grid.Column="2" Click="Clear_Button_Click"/> <Button Content="=" Grid.Row="1" Grid.Column="3" Click="Calc_Button_Click"/> </Grid>
对应的IronPython代码如下：
from __future__ import division import traceback import wpf from System.Windows import Application, Window, MessageBox class MyWindow(Window): def __init__(self): wpf.LoadComponent(self, 'IronPythonWPF.xaml') def Calc_Button_Click(self, sender, e): try: result = eval(self.InputTb.Text) self.ResultTb.Text = str(result) except Exception, e: tracelog = traceback.format_exc() MessageBox.Show(str(e)) pass def Clear_Button_Click(self, sender, e): self.InputTb.Text = "" self.ResultTb.Text = "" pass def Input_Button_Click(self, sender, e): self.InputTb.Text += sender.Content pass if __name__ == '__main__': Application().Run(MyWindow())
代码运行效果如下：
C#调用IronPython
前面介绍了在IronPython中如何使用.NET库，下面看看通过C#代码执行IronPython脚本。在.NET framework中，包含了IronPython的编译器和执行引擎，所以我们可以通过C#代码创建一个引擎实例，然后执行脚本。
先看看我们需要使用的类型：
ScriptEngine： 动态语言（IronPython）执行类，可于解析和执行动态语言代码。
ScriptScope：构建一个执行上下文，其中保存了环境及全局变量；宿主(Host)可以通过创建不同的 ScriptScope 来提供多个数据隔离的执行上下文。
ScriptSource：操控动态语言代码的类型，可以编译（Compile）、运行（Execute）代码。
现在我们有一个简单的打印当前时间的IronPython脚本：
import datetime print "current datetiem is:", datetime.datetime.now()
然后就可以使用下面的方式执行脚本：
static void Main(string[] args)
{
try
{
ScriptEngine engine = Python.CreateEngine();
ScriptScope scope = engine.CreateScope();
ScriptSource script = engine.CreateScriptSourceFromFile(@"Script.py");
var result = script.Execute(scope);
}
catch (Exception e)
{
Console.WriteLine(e.Message);
}
Console.Read();
}
给IronPython传递参数
在ScriptScope类型中，有一个SetVariable方法，我们可以通过这个方法给脚本传递参数。
public void SetVariable(string name, object value)
这样，我们就可以把一个C#实例传递给IronPython，然后脚本就可以使用C#实例的成员。看一个例子：
public class Student
{
public int Age { get; set; }
public string Name { get; set; }
public override string ToString()
{
return string.Format("{0} is {1} years old", this.Name, this.Age);
}
}
class Program
{
static void Main(string[] args)
{
try
{
ScriptEngine engine = Python.CreateEngine();
ScriptScope scope = engine.CreateScope();
Student stu = new Student { Name = "Wilber", Age = 28 };
scope.SetVariable("stuObj", stu);
ScriptSource script = engine.CreateScriptSourceFromFile(@"PrintStuInfo.py");
var result = script.Execute(scope);
}
catch (Exception e)
{
Console.WriteLine(e.Message);
}
Console.Read();
}
}
在这个例子中，C#代码中创建了一个Student类型的实例，并把这个实例传递给了PrintStuInfo.py脚本。
print "Student name:", stuObj.Name print "Student age:", stuObj.Age print stuObj.ToString()
通过输出可以看到，IronPython脚本可以方便的访问C#实例的成员。
总结
本篇文章通过一些例子演示了IronPython与C#的交互，感觉有几个例子还是很有意思的。
有时候使用C#调用IronPython可以使程序变得更加灵活，通过一个C#类型提供一组封装好的操作，每次构建类型实例然后传递给脚本；这样，用户就可以编写IronPython脚本，然后使用C#类型中提供的操作方法，从而实现不同的自定义操作。
Python迭代器和生成器
在Python中，很多对象都是可以通过for语句来直接遍历的，例如list、string、dict等等，这些对象都可以被称为可迭代对象。至于说哪些对象是可以被迭代访问的，就要了解一下迭代器相关的知识了。
迭代器
迭代器对象要求支持迭代器协议的对象，在Python中，支持迭代器协议就是实现对象的__iter__()和next()方法。其中__iter__()方法返回迭代器对象本身；next()方法返回容器的下一个元素，在结尾时引发StopIteration异常。
__iter__()和next()方法
这两个方法是迭代器最基本的方法，一个用来获得迭代器对象，一个用来获取容器中的下一个元素。
对于可迭代对象，可以使用内建函数iter()来获取它的迭代器对象：
例子中，通过iter()方法获得了list的迭代器对象，然后就可以通过next()方法来访问list中的元素了。当容器中没有可访问的元素后，next()方法将会抛出一个StopIteration异常终止迭代器。
其实，当我们使用for语句的时候，for语句就会自动的通过__iter__()方法来获得迭代器对象，并且通过next()方法来获取下一个元素。
自定义迭代器
了解了迭代器协议之后，就可以自定义迭代器了。
下面例子中实现了一个MyRange的类型，这个类型中实现了__iter__()方法，通过这个方法返回对象本身作为迭代器对象；同时，实现了next()方法用来获取容器中的下一个元素，当没有可访问元素后，就抛出StopIteration异常。
class MyRange(object): def __init__(self, n): self.idx = 0 self.n = n def __iter__(self): return self def next(self): if self.idx < self.n: val = self.idx self.idx += 1 return val else: raise StopIteration()
这个自定义类型跟内建函数xrange很类似，看一下运行结果：
myRange = MyRange(3) for i in myRange: print i
迭代器和可迭代对象
在上面的例子中，myRange这个对象就是一个可迭代对象，同时它本身也是一个迭代器对象。
看下面的代码，对于一个可迭代对象，如果它本身又是一个迭代器对象，就会有下面的 问题，就没有办法支持多次迭代。
为了解决上面的问题，可以分别定义可迭代类型对象和迭代器类型对象；然后可迭代类型对象的__iter__()方法可以获得一个迭代器类型的对象。看下面的实现：
class Zrange: def __init__(self, n): self.n = n def __iter__(self): return ZrangeIterator(self.n) class ZrangeIterator: def __init__(self, n): self.i = 0 self.n = n def __iter__(self): return self def next(self): if self.i < self.n: i = self.i self.i += 1 return i else: raise StopIteration() zrange = Zrange(3) print zrange is iter(zrange) print [i for i in zrange] print [i for i in zrange]
代码的运行结果为：
其实，通过下面代码可以看出，list类型也是按照上面的方式，list本身是一个可迭代对象，通过iter()方法可以获得list的迭代器对象：
生成器
在Python中，使用生成器可以很方便的支持迭代器协议。生成器通过生成器函数产生，生成器函数可以通过常规的def语句来定义，但是不用return返回，而是用yield一次返回一个结果，在每个结果之间挂起和继续它们的状态，来自动实现迭代协议。
也就是说，yield是一个语法糖，内部实现支持了迭代器协议，同时yield内部是一个状态机，维护着挂起和继续的状态。
下面看看生成器的使用：
在这个例子中，定义了一个生成器函数，函数返回一个生成器对象，然后就可以通过for语句进行迭代访问了。
其实，生成器函数返回生成器的迭代器。 "生成器的迭代器"这个术语通常被称作"生成器"。要注意的是生成器就是一类特殊的迭代器。作为一个迭代器，生成器必须要定义一些方法，其中一个就是next()。如同迭代器一样，我们可以使用next()函数来获取下一个值。
生成器执行流程
下面就仔细看看生成器是怎么工作的。
从上面的例子也可以看到，生成器函数跟普通的函数是有很大差别的。
结合上面的例子我们加入一些打印信息，进一步看看生成器的执行流程：
通过结果可以看到：
当调用生成器函数的时候，函数只是返回了一个生成器对象，并没有 执行。
当next()方法第一次被调用的时候，生成器函数才开始执行，执行到yield语句处停止
next()方法的返回值就是yield语句处的参数（yielded value）
当继续调用next()方法的时候，函数将接着上一次停止的yield语句处继续执行，并到下一个yield处停止；如果后面没有yield就抛出StopIteration异常
生成器表达式
在开始介绍生成器表达式之前，先看看我们比较熟悉的列表解析( List comprehensions)，列表解析一般都是下面的形式。
[expr for iter_var in iterable if cond_expr]
迭代iterable里所有内容，每一次迭代后，把iterable里满足cond_expr条件的内容放到iter_var中，再在表达式expr中应该iter_var的内容，最后用表达式的计算值生成一个列表。
例如，生成一个list来保护50以内的所以奇数：
[i for i in range(50) if i%2]
生成器表达式是在python2.4中引入的，当序列过长， 而每次只需要获取一个元素时，应当考虑使用生成器表达式而不是列表解析。生成器表达式的语法和列表解析一样，只不过生成器表达式是被()括起来的，而不是[]，如下：
(expr for iter_var in iterable if cond_expr)
看一个例子：
生成器表达式并不是创建一个列表， 而是返回一个生成器，这个生成器在每次计算出一个条目后，把这个条目"产生"（yield）出来。 生成器表达式使用了"惰性计算"（lazy evaluation），只有在检索时才被赋值（evaluated），所以在列表比较长的情况下使用内存上更有效。
继续看一个例子：
从这个例子中可以看到，生成器表达式产生的生成器，它自身是一个可迭代对象，同时也是迭代器本身。
递归生成器
生成器可以向函数一样进行递归使用的，下面看一个简单的例子，对一个序列进行全排列：
def permutations(li): if len(li) == 0: yield li else: for i in range(len(li)): li[0], li[i] = li[i], li[0] for item in permutations(li[1:]): yield [li[0]] + item for item in permutations(range(3)): print item
代码的结果为：
生成器的send()和close()方法
生成器中还有两个很重要的方法：send()和close()。
send(value):
从前面了解到，next()方法可以恢复生成器状态并继续执行，其实send()是除next()外另一个恢复生成器的方法。
Python 2.5中，yield语句变成了yield表达式，也就是说yield可以有一个值，而这个值就是send()方法的参数，所以send(None)和next()是等效的。同样，next()和send()的返回值都是yield语句处的参数（yielded value）
关于send()方法需要注意的是：调用send传入非None值前，生成器必须处于挂起状态，否则将抛出异常。也就是说，第一次调用时，要使用next()语句或send(None)，因为没有yield语句来接收这个值。
close():
这个方法用于关闭生成器，对关闭的生成器后再次调用next或send将抛出StopIteration异常。
下面看看这两个方法的使用：
总结
本文介绍了Python迭代器和生成器的相关内容。
通过实现迭代器协议对应的__iter__()和next()方法，可以自定义迭代器类型。对于可迭代对象，for语句可以通过iter()方法获取迭代器，并且通过next()方法获得容器的下一个元素。
像列表这种序列类型的对象，可迭代对象和迭代器对象是相互独立存在的，在迭代的过程中各个迭代器相互独立；但是，有的可迭代对象本身又是迭代器对象，那么迭代器就没法独立使用。
itertools模块提供了一系列迭代器，能够帮助用户轻松地使用排列、组合、笛卡尔积或其他组合结构。
生成器是一种特殊的迭代器，内部支持了生成器协议，不需要明确定义__iter__()和next()方法。
生成器通过生成器函数产生，生成器函数可以通过常规的def语句来定义，但是不用return返回，而是用yield一次返回一个结果。
]
Python装饰器
装饰模式有很多经典的使用场景，例如插入日志、性能测试、事务处理等等，有了装饰器，就可以提取大量函数中与本身功能无关的类似代码，从而达到代码重用的目的。下面就一步步看看Python中的装饰器。
一个简单的需求
现在有一个简单的函数"myfunc"，想通过代码得到这个函数的大概执行时间。
我们可以直接把计时逻辑方法"myfunc"内部，但是这样的话，如果要给另一个函数计时，就需要重复计时的逻辑。所以比较好的做法是把计时逻辑放到另一个函数中（"deco"），如下：
但是，上面的做法也有一个问题，就是所有的"myfunc"调用处都要改为"deco(myfunc)"。
下面，做一些改动，来避免计时功能对"myfunc"函数调用代码的影响：
经过了上面的改动后，一个比较完整的装饰器（deco）就实现了，装饰器没有影响原来的函数，以及函数调用的代码。例子中值得注意的地方是，Python中一切都是对象，函数也是，所以代码中改变了"myfunc"对应的函数对象。
装饰器语法糖
在Python中，可以使用"@"语法糖来精简装饰器的代码：
使用了"@"语法糖后，我们就不需要额外代码来给"myfunc"重新赋值了，其实"@deco"的本质就是"myfunc = deco(myfunc)"，当认清了这一点后，后面看带参数的装饰器就简单了。
被装饰的函数带参数
前面的例子中，被装饰函数的本身是没有参数的，下面看一个被装饰函数有参数的例子：
从例子中可以看到，对于被装饰函数需要支持参数的情况，我们只要使装饰器的内嵌函数支持同样的签名即可。
也就是说这时，"addFunc(3, 8) = deco(addFunc(3, 8))"。
这里还有一个问题，如果多个函数拥有不同的参数形式，怎么共用同样的装饰器？在Python中，函数可以支持(*args, **kwargs)可变参数，所以装饰器可以通过可变参数形式来实现内嵌函数的签名。
带参数的装饰器
装饰器本身也可以支持参数，例如说可以通过装饰器的参数来禁止计时功能：
通过例子可以看到，如果装饰器本身需要支持参数，那么装饰器就需要多一层的内嵌函数。
这时候，"addFunc(3, 8) = deco(True)( addFunc(3, 8))"，"myFunc() = deco(False)( myFunc ())"。
装饰器调用顺序
装饰器是可以叠加使用的，那么这是就涉及到装饰器调用顺序了。对于Python中的"@"语法糖，装饰器的调用顺序与使用 @ 语法糖声明的顺序相反。
在这个例子中，"addFunc(3, 8) = deco_1(deco_2(addFunc(3, 8)))"。
Python内置装饰器
在Python中有三个内置的装饰器，都是跟class相关的：staticmethod、classmethod 和property。
staticmethod 是类静态方法，其跟成员方法的区别是没有 self 参数，并且可以在类不进行实例化的情况下调用
classmethod 与成员方法的区别在于所接收的第一个参数不是 self （类实例的指针），而是cls（当前类的具体类型）
property 是属性的意思，表示可以通过通过类实例直接访问的信息
对于staticmethod和classmethod这里就不介绍了，通过一个例子看看property。
注意，对于Python新式类（new-style class），如果将上面的 "@var.setter" 装饰器所装饰的成员函数去掉，则Foo.var 属性为只读属性，使用 "foo.var = 'var 2'" 进行赋值时会抛出异常。但是，对于Python classic class，所声明的属性不是 read-only的，所以即使去掉"@var.setter"装饰器也不会报错。
总结
本文介绍了Python装饰器的一些使用，装饰器的代码还是比较容易理解的。只要通过一些例子进行实际操作一下，就很容易理解了。
共同学习，写下你的评论
评论加载中...
作者其他优质文章
