简介Python知识点整理源码包面向Python初学者和具备一定基础的开发者系统梳理从变量、数据类型、运算与控制结构到列表、元组、字典、集合等常用数据结构的使用方法并深入展开函数定义、不定参函数、lambda表达式、类与对象、继承、封装以及装饰器等面向对象与函数式编程关键概念。资源共3个文件主体为一份可直接打开的HTML笔记同时附带一个inscode文件和一个gitignore文件压缩包仅7KB轻量小巧方便按需查看和复用。已有55人学习内容覆盖文件读写、异常处理、os/sys/re常用模块、调试测试方法和正则表达式基础应用能帮助读者在短时间内回顾Python知识脉络、补充盲区适合日常自测、面试前系统复习或作为教学参考资料。 接触Python这些年陆续给好几版知识整理文档写过源码示例越来越觉得“知识点整理”这件事最有价值的不是那份目录而是每个知识点旁边那个能直接跑起来的源码。单独的语法点看十遍不如敲一遍敲完了丢进笔记里下次遇到类似问题直接翻代码比翻书本快得多。这份整理聚焦的是Python基础到进阶过程中最常见、也最容易卡壳的知识点每个模块都配了可运行的源码示例和对应的解释。不管你是刚装好Python准备入门还是写了一段时间脚本想系统梳理一遍这篇内容都可以直接当作索引来用。1. 整体设计思路为什么知识点必须配合源码来整理1.1 从“看过”到“写过”的跨越很多人学Python的方式是收藏一堆教程、买了书、关注了公众号感觉每天都有在“学”但真正需要写代码的时候脑子里一片空白。这不是记忆力的问题而是知识没有被转化成可操作的形式。我整理这套知识点的核心思路很简单每个知识点必须有三个东西——定义、示例、易错点。定义一句话讲清楚示例用最短的代码演示核心机制易错点记录自己实际踩过的坑。三者缺一不可而且示例代码必须是完整的、能直接运行的不搞伪代码、不省略import。比如列表推导式这个知识点光记住语法格式[expression for item in iterable]意义不大真正有用的是知道它在什么场景下能替代for循环什么场景下反而更难看懂。这些体会只有写代码的时候才会出现。1.2 目录结构本身也是知识地图这套整理的目录设计遵循“基础语法 - 内置数据结构 - 函数与装饰器 - 面向对象 - 文件与异常 - 常用标准库 - 实战小工具”的顺序不是随便排的而是按照依赖关系从底层往上搭。基础语法是地基内置数据结构是日常使用频率最高的部分函数与装饰器是Python的特色面向对象是大型项目的组织方式文件和异常处理是脚本真正落地必须面对的问题标准库则是现成的工具箱。这个顺序同样适合初学者从头过一遍也适合有经验的人跳着查阅。2. 核心知识点解析与源码示例2.1 变量与数据类型可变和不可变是第一道分水岭Python里每个变量都可以理解为一个标签贴在一个对象上。这个观念如果没建立起来后面很多问题都解释不通。我整理这部分时第一个示例就是验证可变与不可变对象的区别# 可变对象列表 a [1, 2, 3] b a b.append(4) print(a) # [1, 2, 3, 4]a也跟着变了 # 不可变对象整数 x 10 y x y 20 print(x) # 10x没有变列表是可变对象变量b和a指向同一个列表对象修改b的内容等于修改a的内容。整数是不可变对象y 20实际上是让y指向了一个新的整数对象x不受影响。这里有个实用场景函数传参时如果传入的是可变对象比如列表、字典函数内部修改会直接影响外部变量。我写脚本时经常利用这个特性让函数“返回”多个值但也会注意在需要保护原数据时先做一次拷贝import copy def process(items): # 不想影响外部列表先深拷贝 data copy.deepcopy(items) data.append(100) return data original [1, 2, 3] result process(original) print(original) # [1, 2, 3] print(result) # [1, 2, 3, 100]注意浅拷贝copy.copy()只拷贝最外层嵌套列表还是会共享如果需要完全独立就得上深拷贝copy.deepcopy()。这一块单独拎出来整理是因为太多人在这里吃过亏。2.2 流程控制与推导式代码简洁和可读性的平衡点流程控制本身不难if、for、while基本看一遍就会。真正值得整理的是Python特色的推导式和条件表达式它们能显著减少代码行数但过度使用会变成“一行流”天书。我的经验是遵循一条准则推导式的逻辑复杂度超过两层就改回普通循环。举个例子下面的写法虽然炫技但不推荐matrix [[1, 2, 3], [4, 5, 6], [7, 8, 9]] # 不推荐嵌套推导式可读性差 flatten [item for row in matrix for item in row if item % 2 0]这段代码把偶数提取出来功能上是正确的但新人读起来需要逐层拆解。相比之下普通写法反而更清晰flatten [] for row in matrix: for item in row: if item % 2 0: flatten.append(item)代码是给人读的其次才是给机器执行的。我在整理笔记里专门标注了这条经验推导式适合单层循环适合生成新的列表/字典/集合但不要为了短而牺牲可读性。2.3 函数与装饰器Python最值得花时间的两个主题函数是组织代码的基本单位装饰器则是Python函数式编程能力的集中体现。我整理这部分时例子选了工作中最常用到的场景计算函数执行时间。import time def timer(func): def wrapper(*args, **kwargs): start time.time() result func(*args, **kwargs) print(f{func.__name__} 耗时 {time.time() - start:.4f} 秒) return result return wrapper timer def slow_add(a, b): time.sleep(1) return a b print(slow_add(3, 5))装饰器本质上就是一个接收函数、返回新函数的函数。timer语法糖只是slow_add timer(slow_add)的简写。理解了这一点再去看带参数的装饰器、多层装饰器思路就顺了。这里要提醒一个细节*args和**kwargs在写装饰器时是必备的*args收集位置参数**kwargs收集关键字参数这样才能写出通用的包装函数。2.4 生成器与迭代器处理大数据的省内存方案生成器是Python中特别实用的特性尤其是处理日志文件、大列表这类场景。和一次性生成整个列表不同生成器是“用多少、取多少”内存占用大幅下降。def read_large_file(file_path): with open(file_path, r, encodingutf-8) as f: for line in f: yield line.strip() # 逐行读取不会一次性把整个文件加载到内存 for line in read_large_file(big_log.txt): if ERROR in line: print(line)yield关键字把普通函数变成生成器函数每次调用next()或者进入for循环时才执行到下一个yield。这个机制理解起来比装饰器容易但想通为什么省内存还是需要一点底层思维普通函数return之后局部变量全部销毁而生成器函数会在yield处暂停保留当前执行状态。如果只需要简单地生成一个序列还可以用生成器表达式和列表推导式只差一个括号squares (x * x for x in range(1000000)) print(sum(squares)) # 333332833333500000内存占用极小2.5 面向对象类和实例的边界要搞清楚Python的面向对象不强制使用但写稍微大一点的项目时没有合理的类结构代码很快就会变成一团乱麻。我整理这部分时重点放在三个概念上类属性与实例属性的区别、__init__的作用、魔法方法。class Student: school 第一中学 # 类属性所有实例共享 def __init__(self, name, score): self.name name # 实例属性 self.score score def __repr__(self): return fStudent({self.name}, {self.score}) s1 Student(小明, 90) s2 Student(小红, 95) print(s1.school) # 第一中学 print(Student.school) # 第一中学通过类名也能访问类属性相当于所有实例共用的数据实例属性是每个对象自己的数据。修改类属性会影响所有实例修改实例属性只影响当前实例。__repr__是魔法方法中比较常用的一个它决定了打印对象时显示什么内容。没有定义的时候打印出来的是类似__main__.Student object at 0x...的内存地址基本没有参考价值。定义之后调试起来舒服得多。继承部分我建议掌握“子类优先、逐级向上”的查找顺序。子类没有的属性会去父类找父类没有再往上找。多继承的情况在Python 3里用C3线性化算法决定查找顺序日常写代码尽量避免复杂多继承super()的使用也已经足够。2.6 异常处理不要吞异常也不要裸奔异常处理是脚本健壮性的保障但很多初学者要么不写要么写成了“吞异常”try: result 10 / int(input(输入一个数字: )) except Exception: pass # 错误被静默忽略后面出问题很难排查except Exception: pass等于把所有可能的问题都藏起来了程序不报错但结果可能完全不对。我的习惯是只捕获可能出现的具体异常类型并且在异常分支里至少打一条日志try: num int(input(输入一个数字: )) result 100 / num except ValueError: print(输入的不是数字请重新运行) except ZeroDivisionError: print(除数不能为零) else: print(f结果是: {result}) finally: print(程序执行结束)else块在try没有异常时执行finally块无论有没有异常都会执行。这个结构写完整程序的行为就完全在掌控之中。整理知识点时我还给常见异常建了一个速查表整理如下异常类型触发场景处理思路ValueError类型转换失败、传入非法值检查输入数据格式TypeError类型不匹配、函数参数个数不对检查调用方式KeyError字典中键不存在用dict.get(key, default)替代直接索引IndexError列表索引越界检查索引范围FileNotFoundError文件不存在先os.path.exists检查或捕获后创建AttributeError访问不存在的属性检查对象类型3. 源码模块的整理方法与实战示例3.1 用“最小可运行示例”组织代码文件我整理源码时遵循一个原则每个知识点单独一个.py文件文件开头三行注释说明知识点名称、适用场景、注意事项。示例本身就是文档不需要另外写长长的README。目录结构大概是这样的python-kb/ ├── basics/ │ ├── 01_variable_and_types.py │ ├── 02_control_flow.py │ ├── 03_functions.py │ └── 04_decorators.py ├── data_structures/ │ ├── list_dict_set.py │ └── comprehensions.py ├── oop/ │ ├── class_basic.py │ └── magic_methods.py ├── file_io/ │ ├── read_write_text.py │ └── read_large_file.py ├── common_libs/ │ ├── json_example.py │ ├── requests_example.py │ └── os_path_example.py └── projects/ ├── batch_rename.py └── log_analyzer.py每个文件控制在50行以内核心机制写在前面延伸用法写在后面用空行和注释隔开。这样整理的好处是找某个知识点时直接搜文件名或者文件里的注释关键词比翻PDF快很多。3.2 实战源码一批量重命名工具文件处理是Python脚本施展拳脚的场景之一。下面这个工具把目录下所有.jpg文件按序号重命名是我源码库里使用频率较高的一个import os from pathlib import Path def batch_rename(directory, ext.jpg, prefixphoto): dir_path Path(directory) files list(dir_path.glob(f*{ext})) if not files: print(没有找到匹配的文件) return for idx, file in enumerate(files, start1): new_name f{prefix}_{idx:03d}{ext} new_path file.with_name(new_name) file.rename(new_path) print(f{file.name} - {new_name}) if __name__ __main__: batch_rename(./images, ext.jpg, prefixvacation)pathlib是Python 3.4之后推荐使用的路径处理模块比传统的os.path拼字符串更直观。with_name()方法直接替换文件名部分不需要手动拼接完整路径。写这个工具时要注意一点如果目录下文件很多先打印出将执行的重命名清单再确认执行避免脚本跑完发现顺序不对。我在实际使用中加了一个dry_run参数打印结果但不真正执行重命名确认无误后再正式运行。3.3 实战源码二JSON配置文件的读写几乎所有脚本项目都会用到配置文件JSON是最常见的格式。我整理了一个读写JSON配置的标准模板import json from pathlib import Path def load_config(config_path): path Path(config_path) if not path.exists(): return {} with open(path, r, encodingutf-8) as f: return json.load(f) def save_config(config_path, data): path Path(config_path) with open(path, w, encodingutf-8) as f: json.dump(data, f, ensure_asciiFalse, indent4) config load_config(config.json) config.setdefault(timeout, 30) # 默认值 save_config(config.json, config)json.dump里的ensure_asciiFalse很关键如果缺少这个参数中文字符会被转成\uXXXX形式的转义序列虽然不影响程序读取但人直接查看配置文件时会非常痛苦。indent4是让JSON文件有缩进方便阅读和对比改动。这些细节都是实际项目中踩过坑才记住的比看文档更牢固。3.4 环境配置与第三方库安装整理源码的过程中反复会遇到环境问题我把最常用的安装命令和注意事项也整理进了笔记# 查看Python版本 python --version # 升级pip python -m pip install --upgrade pip # 安装第三方库 pip install requests # 指定版本安装 pip install pandas2.0.3 # 批量安装 pip install -r requirements.txt国内网络环境下pip默认源下载速度不稳定可以在用户目录下创建pip.iniWindows或~/.pip/pip.confLinux/macOS配置文件把镜像源改成国内源下载速度会快很多。这个不展开讲具体源地址搜索“pip镜像源”能找到很多可用选项。还有一点务必注意不要直接给系统Python装大量第三方库建议每个项目单独创建虚拟环境。虚拟环境通过python -m venv myenv创建Windows下激活命令是myenv\Scripts\activateLinux/macOS是source myenv/bin/activate。4. 常见问题与排查技巧实录4.1 现象一中文乱码和编码报错这是刚入门时遇到最多的问题。Python 3默认字符串是Unicode编码问题主要出现在文件读写环节。写入文件时报UnicodeEncodeError或者读出来是乱码大概率是编码格式没指定。# 推荐写法读写文件都显式指定utf-8 with open(data.txt, w, encodingutf-8) as f: f.write(你好Python) with open(data.txt, r, encodingutf-8) as f: content f.read()Windows环境下的cmd控制台显示中文时偶尔也会乱码这是控制台代码页的问题可以用chcp 65001切换成UTF-8代码页。或者直接在脚本开头写import sys; sys.stdout.reconfigure(encodingutf-8)。4.2 现象二pip安装失败或版本冲突常见的pip安装失败原因包括网络问题、没有权限、依赖包之间互相冲突。排查思路按顺序来先看错误信息最后几行通常写着真正的原因网络超时用镜像源重试权限不足加--user参数版本冲突可以查到冲突的包名把对应的包单独升级或降级# 查看已安装的包和版本 pip list # 查看某个包的信息 pip show requests # 安装到用户目录避免权限问题 pip install --user requests4.3 现象三修改了代码但程序没有变化遇到这个问题大概率是运行了缓存的字节码文件或者Python解释器路径指向了别的地方。Windows下如果安装了多个Python版本命令行里敲的python可能不是你预期的那一个。# 查看当前python绝对路径 where python # Windows which python # Linux/macOS排查之后如果确实有多个Python版本最稳妥的方案是在虚拟环境里操作避免环境污染。4.4 现象四列表默认参数引发的“幽灵bug”这是一个几乎人人都踩过的经典陷阱def add_item(item, items[]): items.append(item) return items print(add_item(1)) # [1] print(add_item(2)) # [1, 2]第二次调用时items还保留着上一次的值函数定义时默认值只被创建一次如果默认值是可变对象后续所有调用都会共享同一个列表。解决方法是默认值设为None在函数体内再创建def add_item(item, itemsNone): if items is None: items [] items.append(item) return itemsPython官方文档也明确建议不要用可变对象作为默认参数。我把这个案例单独整理进“易错点”区域每次看到都提醒自己一次。4.5 现象五全局变量和局部变量的理解偏差在函数内部给一个变量赋值时不加global声明Python会认为这是一个新的局部变量哪怕函数外有同名的全局变量count 0 def increment(): global count # 如果不加这行运行时会报UnboundLocalError count 1 increment() print(count) # 1我记得第一次写这个示例时没加global程序直接报错UnboundLocalError: local variable count referenced before assignment。这个报错信息其实已经说得很清楚了函数内部把count当成了局部变量但还没有赋值就开始使用。理解了这个机制之后写代码就刻意少用全局变量尽量通过参数传值和返回值处理数据代码的可测试性和可读性都更好了。5. 学习路径与工具链建议5.1 推荐的学习顺序和配套工具如果你想跟着这套知识点整理系统过一遍我建议的顺序是第一周环境搭建 基础语法 数据类型把每个案例都亲手敲一遍第二周函数、装饰器、文件操作开始写简单的单文件脚本第三周面向对象 异常处理尝试把脚本改造成类和函数的结构第四周标准库实战用os、pathlib、json、re组合完成一个小工具编辑器的选择上初学阶段推荐VS Code配置好Python扩展后开箱即用。启动速度比PyCharm快插件生态丰富调试功能也够用。建议安装几个关键插件Python微软官方、Pylance智能提示、Ruff代码检查与格式化。5.2 把知识点整理变成持续积累的习惯最后分享一个我坚持了很久的方法每学会一个新的知识点就写一个最小的源码示例存到对应的目录里并且在前面的代码注释中写清楚“什么时候用”“什么时候别用”。比如装饰器我的源码文件里不仅写了怎么实现还写了“不要把装饰器用在所有函数上它增加了调用开销只在需要统一逻辑时使用”。这个习惯坚持一段时间之后你会发现自己积累的源码库越来越值钱。很多问题不需要重新上网搜直接在本地的代码仓库里就能找到曾经解决过类似问题的参考实现。而且随着经验增加回头重构早期代码的过程本身也是很好的学习方式。Python的知识点说多不多、说少不少基础语法和内置数据结构是通用能力框架和工具库更新迭代快但底层知识是长期稳定的。把有限的精力花在那些不会过时的知识点上配合源码实践是我觉得最值得推荐的路径。本文还有配套的精品资源点击获取
Python知识点全整理：附源码示例与实战笔记，从基础到进阶
简介Python知识点整理源码包面向Python初学者和具备一定基础的开发者系统梳理从变量、数据类型、运算与控制结构到列表、元组、字典、集合等常用数据结构的使用方法并深入展开函数定义、不定参函数、lambda表达式、类与对象、继承、封装以及装饰器等面向对象与函数式编程关键概念。资源共3个文件主体为一份可直接打开的HTML笔记同时附带一个inscode文件和一个gitignore文件压缩包仅7KB轻量小巧方便按需查看和复用。已有55人学习内容覆盖文件读写、异常处理、os/sys/re常用模块、调试测试方法和正则表达式基础应用能帮助读者在短时间内回顾Python知识脉络、补充盲区适合日常自测、面试前系统复习或作为教学参考资料。 接触Python这些年陆续给好几版知识整理文档写过源码示例越来越觉得“知识点整理”这件事最有价值的不是那份目录而是每个知识点旁边那个能直接跑起来的源码。单独的语法点看十遍不如敲一遍敲完了丢进笔记里下次遇到类似问题直接翻代码比翻书本快得多。这份整理聚焦的是Python基础到进阶过程中最常见、也最容易卡壳的知识点每个模块都配了可运行的源码示例和对应的解释。不管你是刚装好Python准备入门还是写了一段时间脚本想系统梳理一遍这篇内容都可以直接当作索引来用。1. 整体设计思路为什么知识点必须配合源码来整理1.1 从“看过”到“写过”的跨越很多人学Python的方式是收藏一堆教程、买了书、关注了公众号感觉每天都有在“学”但真正需要写代码的时候脑子里一片空白。这不是记忆力的问题而是知识没有被转化成可操作的形式。我整理这套知识点的核心思路很简单每个知识点必须有三个东西——定义、示例、易错点。定义一句话讲清楚示例用最短的代码演示核心机制易错点记录自己实际踩过的坑。三者缺一不可而且示例代码必须是完整的、能直接运行的不搞伪代码、不省略import。比如列表推导式这个知识点光记住语法格式[expression for item in iterable]意义不大真正有用的是知道它在什么场景下能替代for循环什么场景下反而更难看懂。这些体会只有写代码的时候才会出现。1.2 目录结构本身也是知识地图这套整理的目录设计遵循“基础语法 - 内置数据结构 - 函数与装饰器 - 面向对象 - 文件与异常 - 常用标准库 - 实战小工具”的顺序不是随便排的而是按照依赖关系从底层往上搭。基础语法是地基内置数据结构是日常使用频率最高的部分函数与装饰器是Python的特色面向对象是大型项目的组织方式文件和异常处理是脚本真正落地必须面对的问题标准库则是现成的工具箱。这个顺序同样适合初学者从头过一遍也适合有经验的人跳着查阅。2. 核心知识点解析与源码示例2.1 变量与数据类型可变和不可变是第一道分水岭Python里每个变量都可以理解为一个标签贴在一个对象上。这个观念如果没建立起来后面很多问题都解释不通。我整理这部分时第一个示例就是验证可变与不可变对象的区别# 可变对象列表 a [1, 2, 3] b a b.append(4) print(a) # [1, 2, 3, 4]a也跟着变了 # 不可变对象整数 x 10 y x y 20 print(x) # 10x没有变列表是可变对象变量b和a指向同一个列表对象修改b的内容等于修改a的内容。整数是不可变对象y 20实际上是让y指向了一个新的整数对象x不受影响。这里有个实用场景函数传参时如果传入的是可变对象比如列表、字典函数内部修改会直接影响外部变量。我写脚本时经常利用这个特性让函数“返回”多个值但也会注意在需要保护原数据时先做一次拷贝import copy def process(items): # 不想影响外部列表先深拷贝 data copy.deepcopy(items) data.append(100) return data original [1, 2, 3] result process(original) print(original) # [1, 2, 3] print(result) # [1, 2, 3, 100]注意浅拷贝copy.copy()只拷贝最外层嵌套列表还是会共享如果需要完全独立就得上深拷贝copy.deepcopy()。这一块单独拎出来整理是因为太多人在这里吃过亏。2.2 流程控制与推导式代码简洁和可读性的平衡点流程控制本身不难if、for、while基本看一遍就会。真正值得整理的是Python特色的推导式和条件表达式它们能显著减少代码行数但过度使用会变成“一行流”天书。我的经验是遵循一条准则推导式的逻辑复杂度超过两层就改回普通循环。举个例子下面的写法虽然炫技但不推荐matrix [[1, 2, 3], [4, 5, 6], [7, 8, 9]] # 不推荐嵌套推导式可读性差 flatten [item for row in matrix for item in row if item % 2 0]这段代码把偶数提取出来功能上是正确的但新人读起来需要逐层拆解。相比之下普通写法反而更清晰flatten [] for row in matrix: for item in row: if item % 2 0: flatten.append(item)代码是给人读的其次才是给机器执行的。我在整理笔记里专门标注了这条经验推导式适合单层循环适合生成新的列表/字典/集合但不要为了短而牺牲可读性。2.3 函数与装饰器Python最值得花时间的两个主题函数是组织代码的基本单位装饰器则是Python函数式编程能力的集中体现。我整理这部分时例子选了工作中最常用到的场景计算函数执行时间。import time def timer(func): def wrapper(*args, **kwargs): start time.time() result func(*args, **kwargs) print(f{func.__name__} 耗时 {time.time() - start:.4f} 秒) return result return wrapper timer def slow_add(a, b): time.sleep(1) return a b print(slow_add(3, 5))装饰器本质上就是一个接收函数、返回新函数的函数。timer语法糖只是slow_add timer(slow_add)的简写。理解了这一点再去看带参数的装饰器、多层装饰器思路就顺了。这里要提醒一个细节*args和**kwargs在写装饰器时是必备的*args收集位置参数**kwargs收集关键字参数这样才能写出通用的包装函数。2.4 生成器与迭代器处理大数据的省内存方案生成器是Python中特别实用的特性尤其是处理日志文件、大列表这类场景。和一次性生成整个列表不同生成器是“用多少、取多少”内存占用大幅下降。def read_large_file(file_path): with open(file_path, r, encodingutf-8) as f: for line in f: yield line.strip() # 逐行读取不会一次性把整个文件加载到内存 for line in read_large_file(big_log.txt): if ERROR in line: print(line)yield关键字把普通函数变成生成器函数每次调用next()或者进入for循环时才执行到下一个yield。这个机制理解起来比装饰器容易但想通为什么省内存还是需要一点底层思维普通函数return之后局部变量全部销毁而生成器函数会在yield处暂停保留当前执行状态。如果只需要简单地生成一个序列还可以用生成器表达式和列表推导式只差一个括号squares (x * x for x in range(1000000)) print(sum(squares)) # 333332833333500000内存占用极小2.5 面向对象类和实例的边界要搞清楚Python的面向对象不强制使用但写稍微大一点的项目时没有合理的类结构代码很快就会变成一团乱麻。我整理这部分时重点放在三个概念上类属性与实例属性的区别、__init__的作用、魔法方法。class Student: school 第一中学 # 类属性所有实例共享 def __init__(self, name, score): self.name name # 实例属性 self.score score def __repr__(self): return fStudent({self.name}, {self.score}) s1 Student(小明, 90) s2 Student(小红, 95) print(s1.school) # 第一中学 print(Student.school) # 第一中学通过类名也能访问类属性相当于所有实例共用的数据实例属性是每个对象自己的数据。修改类属性会影响所有实例修改实例属性只影响当前实例。__repr__是魔法方法中比较常用的一个它决定了打印对象时显示什么内容。没有定义的时候打印出来的是类似__main__.Student object at 0x...的内存地址基本没有参考价值。定义之后调试起来舒服得多。继承部分我建议掌握“子类优先、逐级向上”的查找顺序。子类没有的属性会去父类找父类没有再往上找。多继承的情况在Python 3里用C3线性化算法决定查找顺序日常写代码尽量避免复杂多继承super()的使用也已经足够。2.6 异常处理不要吞异常也不要裸奔异常处理是脚本健壮性的保障但很多初学者要么不写要么写成了“吞异常”try: result 10 / int(input(输入一个数字: )) except Exception: pass # 错误被静默忽略后面出问题很难排查except Exception: pass等于把所有可能的问题都藏起来了程序不报错但结果可能完全不对。我的习惯是只捕获可能出现的具体异常类型并且在异常分支里至少打一条日志try: num int(input(输入一个数字: )) result 100 / num except ValueError: print(输入的不是数字请重新运行) except ZeroDivisionError: print(除数不能为零) else: print(f结果是: {result}) finally: print(程序执行结束)else块在try没有异常时执行finally块无论有没有异常都会执行。这个结构写完整程序的行为就完全在掌控之中。整理知识点时我还给常见异常建了一个速查表整理如下异常类型触发场景处理思路ValueError类型转换失败、传入非法值检查输入数据格式TypeError类型不匹配、函数参数个数不对检查调用方式KeyError字典中键不存在用dict.get(key, default)替代直接索引IndexError列表索引越界检查索引范围FileNotFoundError文件不存在先os.path.exists检查或捕获后创建AttributeError访问不存在的属性检查对象类型3. 源码模块的整理方法与实战示例3.1 用“最小可运行示例”组织代码文件我整理源码时遵循一个原则每个知识点单独一个.py文件文件开头三行注释说明知识点名称、适用场景、注意事项。示例本身就是文档不需要另外写长长的README。目录结构大概是这样的python-kb/ ├── basics/ │ ├── 01_variable_and_types.py │ ├── 02_control_flow.py │ ├── 03_functions.py │ └── 04_decorators.py ├── data_structures/ │ ├── list_dict_set.py │ └── comprehensions.py ├── oop/ │ ├── class_basic.py │ └── magic_methods.py ├── file_io/ │ ├── read_write_text.py │ └── read_large_file.py ├── common_libs/ │ ├── json_example.py │ ├── requests_example.py │ └── os_path_example.py └── projects/ ├── batch_rename.py └── log_analyzer.py每个文件控制在50行以内核心机制写在前面延伸用法写在后面用空行和注释隔开。这样整理的好处是找某个知识点时直接搜文件名或者文件里的注释关键词比翻PDF快很多。3.2 实战源码一批量重命名工具文件处理是Python脚本施展拳脚的场景之一。下面这个工具把目录下所有.jpg文件按序号重命名是我源码库里使用频率较高的一个import os from pathlib import Path def batch_rename(directory, ext.jpg, prefixphoto): dir_path Path(directory) files list(dir_path.glob(f*{ext})) if not files: print(没有找到匹配的文件) return for idx, file in enumerate(files, start1): new_name f{prefix}_{idx:03d}{ext} new_path file.with_name(new_name) file.rename(new_path) print(f{file.name} - {new_name}) if __name__ __main__: batch_rename(./images, ext.jpg, prefixvacation)pathlib是Python 3.4之后推荐使用的路径处理模块比传统的os.path拼字符串更直观。with_name()方法直接替换文件名部分不需要手动拼接完整路径。写这个工具时要注意一点如果目录下文件很多先打印出将执行的重命名清单再确认执行避免脚本跑完发现顺序不对。我在实际使用中加了一个dry_run参数打印结果但不真正执行重命名确认无误后再正式运行。3.3 实战源码二JSON配置文件的读写几乎所有脚本项目都会用到配置文件JSON是最常见的格式。我整理了一个读写JSON配置的标准模板import json from pathlib import Path def load_config(config_path): path Path(config_path) if not path.exists(): return {} with open(path, r, encodingutf-8) as f: return json.load(f) def save_config(config_path, data): path Path(config_path) with open(path, w, encodingutf-8) as f: json.dump(data, f, ensure_asciiFalse, indent4) config load_config(config.json) config.setdefault(timeout, 30) # 默认值 save_config(config.json, config)json.dump里的ensure_asciiFalse很关键如果缺少这个参数中文字符会被转成\uXXXX形式的转义序列虽然不影响程序读取但人直接查看配置文件时会非常痛苦。indent4是让JSON文件有缩进方便阅读和对比改动。这些细节都是实际项目中踩过坑才记住的比看文档更牢固。3.4 环境配置与第三方库安装整理源码的过程中反复会遇到环境问题我把最常用的安装命令和注意事项也整理进了笔记# 查看Python版本 python --version # 升级pip python -m pip install --upgrade pip # 安装第三方库 pip install requests # 指定版本安装 pip install pandas2.0.3 # 批量安装 pip install -r requirements.txt国内网络环境下pip默认源下载速度不稳定可以在用户目录下创建pip.iniWindows或~/.pip/pip.confLinux/macOS配置文件把镜像源改成国内源下载速度会快很多。这个不展开讲具体源地址搜索“pip镜像源”能找到很多可用选项。还有一点务必注意不要直接给系统Python装大量第三方库建议每个项目单独创建虚拟环境。虚拟环境通过python -m venv myenv创建Windows下激活命令是myenv\Scripts\activateLinux/macOS是source myenv/bin/activate。4. 常见问题与排查技巧实录4.1 现象一中文乱码和编码报错这是刚入门时遇到最多的问题。Python 3默认字符串是Unicode编码问题主要出现在文件读写环节。写入文件时报UnicodeEncodeError或者读出来是乱码大概率是编码格式没指定。# 推荐写法读写文件都显式指定utf-8 with open(data.txt, w, encodingutf-8) as f: f.write(你好Python) with open(data.txt, r, encodingutf-8) as f: content f.read()Windows环境下的cmd控制台显示中文时偶尔也会乱码这是控制台代码页的问题可以用chcp 65001切换成UTF-8代码页。或者直接在脚本开头写import sys; sys.stdout.reconfigure(encodingutf-8)。4.2 现象二pip安装失败或版本冲突常见的pip安装失败原因包括网络问题、没有权限、依赖包之间互相冲突。排查思路按顺序来先看错误信息最后几行通常写着真正的原因网络超时用镜像源重试权限不足加--user参数版本冲突可以查到冲突的包名把对应的包单独升级或降级# 查看已安装的包和版本 pip list # 查看某个包的信息 pip show requests # 安装到用户目录避免权限问题 pip install --user requests4.3 现象三修改了代码但程序没有变化遇到这个问题大概率是运行了缓存的字节码文件或者Python解释器路径指向了别的地方。Windows下如果安装了多个Python版本命令行里敲的python可能不是你预期的那一个。# 查看当前python绝对路径 where python # Windows which python # Linux/macOS排查之后如果确实有多个Python版本最稳妥的方案是在虚拟环境里操作避免环境污染。4.4 现象四列表默认参数引发的“幽灵bug”这是一个几乎人人都踩过的经典陷阱def add_item(item, items[]): items.append(item) return items print(add_item(1)) # [1] print(add_item(2)) # [1, 2]第二次调用时items还保留着上一次的值函数定义时默认值只被创建一次如果默认值是可变对象后续所有调用都会共享同一个列表。解决方法是默认值设为None在函数体内再创建def add_item(item, itemsNone): if items is None: items [] items.append(item) return itemsPython官方文档也明确建议不要用可变对象作为默认参数。我把这个案例单独整理进“易错点”区域每次看到都提醒自己一次。4.5 现象五全局变量和局部变量的理解偏差在函数内部给一个变量赋值时不加global声明Python会认为这是一个新的局部变量哪怕函数外有同名的全局变量count 0 def increment(): global count # 如果不加这行运行时会报UnboundLocalError count 1 increment() print(count) # 1我记得第一次写这个示例时没加global程序直接报错UnboundLocalError: local variable count referenced before assignment。这个报错信息其实已经说得很清楚了函数内部把count当成了局部变量但还没有赋值就开始使用。理解了这个机制之后写代码就刻意少用全局变量尽量通过参数传值和返回值处理数据代码的可测试性和可读性都更好了。5. 学习路径与工具链建议5.1 推荐的学习顺序和配套工具如果你想跟着这套知识点整理系统过一遍我建议的顺序是第一周环境搭建 基础语法 数据类型把每个案例都亲手敲一遍第二周函数、装饰器、文件操作开始写简单的单文件脚本第三周面向对象 异常处理尝试把脚本改造成类和函数的结构第四周标准库实战用os、pathlib、json、re组合完成一个小工具编辑器的选择上初学阶段推荐VS Code配置好Python扩展后开箱即用。启动速度比PyCharm快插件生态丰富调试功能也够用。建议安装几个关键插件Python微软官方、Pylance智能提示、Ruff代码检查与格式化。5.2 把知识点整理变成持续积累的习惯最后分享一个我坚持了很久的方法每学会一个新的知识点就写一个最小的源码示例存到对应的目录里并且在前面的代码注释中写清楚“什么时候用”“什么时候别用”。比如装饰器我的源码文件里不仅写了怎么实现还写了“不要把装饰器用在所有函数上它增加了调用开销只在需要统一逻辑时使用”。这个习惯坚持一段时间之后你会发现自己积累的源码库越来越值钱。很多问题不需要重新上网搜直接在本地的代码仓库里就能找到曾经解决过类似问题的参考实现。而且随着经验增加回头重构早期代码的过程本身也是很好的学习方式。Python的知识点说多不多、说少不少基础语法和内置数据结构是通用能力框架和工具库更新迭代快但底层知识是长期稳定的。把有限的精力花在那些不会过时的知识点上配合源码实践是我觉得最值得推荐的路径。本文还有配套的精品资源点击获取
