Python--配置文件优化

简介: Python--配置文件优化

前言

之前了解过了配置文件的简单使用,本章主要讲一些封装之类的操作。

简单封装

封装麻,可以提高代码复用性,也可以提高代码的可阅读性,更可以体现出写代码人的代码编写能力。当然也可以写一些迷惑性的封装整蛊后续接手项目的人(不建议!)。先扯到这,一起看看简单的封装!


「YAML配置文件」

"""yaml"""
import yaml
def SQL():
    with open("config.yaml",encoding='utf8') as r:
        data = yaml.load(r,Loader=yaml.FullLoader)
        return data

「INI配置文件」

import configparser
def INIREAD():
    conf = configparser.ConfigParser()
    conf.read('config.ini',encoding='utf-8')
    case_value = conf.get('SQL','host')
    return case_value

「TOML配置文件」

def TOML():
    to = toml.load('config,toml')
    return to


暂时举例上面三个,看过前面文章的,学会举一反三。

优化封装

「如何优化封装?」看上述,都有一个固定的东西需要填写,那就是路径。所以我们可以将路径写成「参数」的形式的,进行参数化。

「TOML配置文件优化」

import toml
def TOML(PATH: str):
    return toml.load(PATH)
to = TOML('config,toml')
print(to)

「再看ini配置文件,有路径,有参数,那么如何才能做到灵活呢,例如:我想传入一个参数提取配置文件对应的内容。也是参数化」

def INIREAD(PATH: str, Key: str, value: str):
    conf = configparser.ConfigParser()
    conf.read(PATH, encoding='utf-8')
    case_value = conf.get(Key, value)
    return case_value
INI = INIREAD('config.ini','SQL','host')
print(INI)

其实ini配置文件这样编写个人感觉也没有太多的可便捷性,因为本身需要传入的参数较多。


「再看看Yaml配置文件。跟toml配置文件并无太多的差异」

import yaml
def SQL(Path:str):
    with open(Path,encoding='utf8') as r:
        data = yaml.load(r,Loader=yaml.FullLoader)
        return data
s = SQL('config.yaml')
print(s)

小结



这样写完你认为可以了吗?



「还可以写一些异常情况捕捉,例如:路径写错了导致文件不存在的报错,如何更友好的告诉自己或者他人,这个文件不存在呢?」

「此外就是空数据以及一些数据格式的问题处理了。对于此类问题,可以看看后续的内容,都会提及。」

目录
相关文章
|
5天前
|
并行计算 C语言 开发者
优化Python代码的五大技巧
Python作为一种流行的编程语言,在各种应用场景中广泛使用。然而,随着项目规模的增长和需求的变化,Python代码的性能和可维护性也成为了关键问题。本文将介绍优化Python代码的五大技巧,帮助开发者提升代码效率和质量。
|
5天前
|
存储 缓存 算法
优化Python代码性能的7个技巧
在日常的Python开发中,优化代码性能是一个重要的课题。本文介绍了7个实用的技巧,帮助开发者提高Python代码的执行效率,包括利用生成器表达式、使用适量的缓存、避免不必要的循环等。通过本文的指导,读者可以更好地理解Python代码性能优化的方法,提升自身的编程水平。
|
5天前
|
算法 Java 编译器
优化Python代码性能的实用技巧
提高Python代码性能是每个开发者的关注焦点之一。本文将介绍一些实用的技巧和方法,帮助开发者优化他们的Python代码,提升程序的执行效率和性能。
|
1天前
|
存储 数据挖掘 数据处理
【Python DataFrame 专栏】优化 DataFrame 性能:提升数据处理效率的秘诀
【5月更文挑战第19天】优化 Python DataFrame 性能的关键点包括:选择合适的数据类型以节省内存,避免重复计算,利用向量化操作,考虑使用 `iterrows` 或 `itertuples` 迭代,优化索引以及借助 `Cython` 或 `Numba` 加速代码执行。通过这些策略,能提升数据处理效率,应对大规模数据挑战。
【Python DataFrame 专栏】优化 DataFrame 性能:提升数据处理效率的秘诀
|
5天前
|
数据采集 数据可视化 数据挖掘
利用Python和Pandas库优化数据分析流程
在当今数据驱动的时代,数据分析已成为企业和个人决策的重要依据。Python作为一种强大且易于上手的编程语言,配合Pandas这一功能丰富的数据处理库,极大地简化了数据分析的流程。本文将探讨如何利用Python和Pandas库进行高效的数据清洗、转换、聚合以及可视化,从而优化数据分析的流程,提高数据分析的效率和准确性。
|
5天前
|
SQL 数据采集 数据挖掘
构建高效的Python数据处理流水线:使用Pandas和NumPy优化数据分析任务
在数据科学和分析领域,Python一直是最受欢迎的编程语言之一。本文将介绍如何通过使用Pandas和NumPy库构建高效的数据处理流水线,从而加速数据分析任务的执行。我们将讨论如何优化数据加载、清洗、转换和分析的过程,以及如何利用这些库中的强大功能来提高代码的性能和可维护性。
|
5天前
|
缓存 数据库连接 数据库
构建高性能的Python Web应用:优化技巧与最佳实践
本文探讨了如何通过优化技巧和最佳实践来构建高性能的Python Web应用。从代码优化到服务器配置,我们将深入研究提高Python Web应用性能的各个方面。通过本文,读者将了解到一系列提高Python Web应用性能的方法,从而更好地应对高并发和大流量的挑战。
|
5天前
|
缓存 并行计算 Serverless
优化Python代码性能的5个技巧
在日常Python编程中,代码性能的优化是一个重要的议题。本文介绍了5个实用的技巧,帮助你提高Python代码的执行效率,包括使用适当的数据结构、优化循环结构、利用内置函数、使用生成器表达式以及并行化处理。通过这些技巧,你可以更高效地编写Python代码,提升程序的性能和响应速度。
|
5天前
|
机器学习/深度学习 数据采集 数据可视化
Python众筹项目结果预测:优化后的随机森林分类器可视化|数据代码分享
Python众筹项目结果预测:优化后的随机森林分类器可视化|数据代码分享
|
5天前
|
机器学习/深度学习 算法 算法框架/工具
【Python机器学习专栏】深度学习中的正则化与优化技术
【4月更文挑战第30天】本文探讨了深度学习中的正则化和优化技术,以提升模型的泛化能力和训练效率。正则化包括L1和L2正则化以及Dropout,防止过拟合。优化技术涵盖梯度下降法、动量法和Adam优化器,加速模型收敛。Python示例展示了如何在Keras中应用这些技术,如L2正则化、Dropout及Adam优化器。