YAML 在Python中的配置应用

简介: 环境搭建YAML语法语法规则数据结构列表数组原子量YAML应用案例loaddump总结YAML是一个堪比XML,JSON数据格式的更加方便,简洁的,易于人眼阅读的序列化数据格式。

YAML是一个堪比XML,JSON数据格式的更加方便,简洁的,易于人眼阅读的序列化数据格式。在很多的脚本语言中都有涉及,下面以其在Python语言中为例,简单的记录一下,以备今后复习所用。


环境搭建

这貌似是所有试验的开场白了,那就是搭建好本次试验的环境。因为Python解析的时候,需要解析器的支持,所以需要安装一个。

下载地址:http://pyyaml.org/wiki/PyYAML
下载解析器支持

博主的为windows64位,所以选择途中箭头所示的版本。具体要依照个人情况而定。

安装是否成功的验证方法就是打开Python解释器,import一下即可。若出现下图,那么恭喜,环境搭建完毕了。
验证yaml环境是否安装成功

YAML语法

提及到语法层面,就得严肃认真一点了。之前看过阮一峰老师关于YAML在JavaScript中的应用,对比在Python中的应用,原理其实是一致的。可以参考一下:

语法规则

总的来说,语法没什么难度,也是人们司空见惯的了。
- 大小写敏感
- 使用缩进表示层级关系
- 缩进时不允许使用Tab键,只允许使用空格。
- 缩进的空格数目不重要,只要相同层级的元素左侧对齐即可

另外,和Python的注释方式一样,以#号作为注释符,很人性化了吧。

数据结构

YAML本身语法很简单,但是却可以基于此实现比较强大的配置功能。思考一下,作为一个配置文件,可能出现的情况有哪些?

  • 一连串类型一致的数据?
  • 基本的数据类型?
  • key-value组合?

其实,认真的思考一下就会明白了。YAML不是一个凭空捏造的数据格式,而是经过了实际考验的人性化设计的一套规范。针对上面的问题,答案就是YAML本身支持的数据结构了,也很好记忆。

  • 列表,数组(一串类型相同或者不同的组合)
  • 纯量(类似于原子性,不可再分)
  • 对象(键值对的组合,一对一的特性)

列表,数组

类比Python语言,YAML性质与其保持一致。但是书写方式上来说嘛,也可以是不一致的。大致有如下两种:

  • []式:
['数组1','数组2','数组3','数组4','数组5']
  • 竖-式:
- 数组1
- 数组2
- 数组3
- 数组4
- 数组5

注意好符合一开始讲的,语法规则即可。

原子量

也即是纯量,不能再细分的数据结构。类比其他的编程语言,YAML也充分地考虑到了这一点。

  • 数值型: 直接书写即可。不区分整型还是浮点型。

  • 字符串: 字符串可以加引号,也可以不加。还有相关于换行什么的更多特殊的用法,这里强烈建议阅读以下阮一峰老师的这篇文章:
    http://www.ruanyifeng.com/blog/2016/07/yaml.html?f=tt

    • 单引号内会自动的转义特殊字符,对单引号转义是使用两个单引号,其表示一个原生的单引号。
    • 双引号内保持原字符不变。
  • 日期,时间:

    • 时间: ISO8601 格式。如2001-12-14t21:59:43.10-05:00
    • 日期: 采用复合 iso8601 格式的年、月、日表示。如1970-01-01
  • 关于强制类型转换: 可以通过两个英文感叹号+新的数据类型的方式来进行强制的类型转换。

如:

e: !!str 123
f: !!str true

将变为:

{ e: '123', f: 'true' }

除此简单的介绍之外,YAML还有很多更为奇妙的语法,但是掌握了这些基础的使用,写一个配置文件基本上就够用了。如果有兴趣的话,可以在深入的研究一下。

YAML应用

这里主要是记录一下YAML在Python语言中的应用。类比于json库,yaml库与其有惊人的相似之处。一个load方法,一个dump方法。顾名知义,也比较的好理解。

案例

下面是从网上找的一个简单的按照YAML语法书写的一个文件,将作为待会的源来使用。

name: Tom Smith
age: 37
spouse:
    name: Jane Smith
    age: 25
children:
 - name: Jimmy Smith
   age: 15
 - name1: Jenny Smith
   age1: 12

load

# coding:utf-8
import sys

reload(sys)
sys.setdefaultencoding('utf8')
#    __author__ = '郭 璞'
#    __date__ = '2016/10/31'
#    __Desc__ = YAML 在Python中的应用

import yaml

stream = file('example.yaml', 'r')
data = yaml.load(stream)
print data['children'][0]['name']


所得结果为:

Jimmy Smith

理解层面以Python中的dict来理解即可。

dump

# coding:utf-8
import sys

reload(sys)
sys.setdefaultencoding('utf8')
#    __author__ = '郭 璞'
#    __date__ = '2016/10/31'
#    __Desc__ = YAML 在Python中的应用

import yaml

s = 'I have an apple'
print yaml.dump(s)

lists = ['zhangsan', 'lisi', 'wangwu', 'zhaoliu']
print yaml.dump(lists)


class Person(object):
    def __init__(self, name, age):
        self.name = name
        self.age = age

p1 = Person('zhangsan', 19)
p2 = Person('lisi', 20)
p3 = Person('wangwu', 21)

persons = [p1, p2, p3]

print yaml.dump(persons)


运行结果:

I have an apple
...

[zhangsan, lisi, wangwu, zhaoliu]

- !!python/object:__main__.Person {age: 19, name: zhangsan}
- !!python/object:__main__.Person {age: 20, name: lisi}
- !!python/object:__main__.Person {age: 21, name: wangwu}

同样的,这里也可以看到强制类型转换的身影。

总结

这样的话,类比json库的学习,yaml库也可以很好的被应用了。
使用这样的方式可以最大限度的解耦和代码,实现更高的可移植性。

同样,写配置文件也不一定要用YAML,还可以有很多的选择,比如ConfigParser了, .ini了,还可以自定义(借助于正则表达式做好相关的存取即可)。

没有哪种是最好的,只有适合的才是最好的。在不同的场合选择适合自己的配置文件的书写方式即可。

(^__^) 嘻嘻……

目录
相关文章
|
16天前
|
PyTorch Linux 算法框架/工具
pytorch学习一:Anaconda下载、安装、配置环境变量。anaconda创建多版本python环境。安装 pytorch。
这篇文章是关于如何使用Anaconda进行Python环境管理,包括下载、安装、配置环境变量、创建多版本Python环境、安装PyTorch以及使用Jupyter Notebook的详细指南。
141 1
pytorch学习一:Anaconda下载、安装、配置环境变量。anaconda创建多版本python环境。安装 pytorch。
|
7天前
|
机器学习/深度学习 数据可视化 数据处理
从基础到进阶:探索Python在数据科学中的应用
【10月更文挑战第18天】从基础到进阶:探索Python在数据科学中的应用
23 1
|
13天前
|
机器学习/深度学习 数据采集 数据挖掘
11种经典时间序列预测方法:理论、Python实现与应用
本文将总结11种经典的时间序列预测方法,并提供它们在Python中的实现示例。
48 2
11种经典时间序列预测方法:理论、Python实现与应用
|
5天前
|
Python
python的时间操作time-应用
【10月更文挑战第20天】 python模块time的函数使用。
26 7
|
1天前
|
测试技术 开发者 Python
深入浅出:Python中的装饰器解析与应用###
【10月更文挑战第22天】 本文将带你走进Python装饰器的世界,揭示其背后的魔法。我们将一起探索装饰器的定义、工作原理、常见用法以及如何自定义装饰器,让你的代码更加简洁高效。无论你是Python新手还是有一定经验的开发者,相信这篇文章都能为你带来新的启发和收获。 ###
5 1
|
3天前
|
机器学习/深度学习 分布式计算 数据可视化
Python在数据科学中的应用与挑战
本文探讨了Python编程语言在数据科学领域的广泛应用及其面临的主要挑战。Python因其简洁的语法、强大的库支持和活跃的社区,已成为数据科学家的首选工具。然而,随着数据量的激增和复杂性的增加,Python也面临着性能瓶颈、内存管理等问题。本文将通过具体案例分析,展示Python在数据处理、分析和可视化方面的优势,同时讨论如何克服其在大规模数据处理中的局限性,为读者提供实用的解决方案和优化建议。
|
13天前
|
监控 Kubernetes Python
Python 应用可观测重磅上线:解决 LLM 应用落地的“最后一公里”问题
为增强对 Python 应用,特别是 Python LLM 应用的可观测性,阿里云推出了 Python 探针,旨在解决 LLM 应用落地难、难落地等问题。助力企业落地 LLM。本文将从阿里云 Python 探针的接入步骤、产品能力、兼容性等方面展开介绍。并提供一个简单的 LLM 应用例子,方便测试。
100 10
|
2天前
|
调度 开发者 Python
异步编程在Python中的应用:Asyncio和Coroutines
异步编程在Python中的应用:Asyncio和Coroutines
8 1
|
3天前
|
弹性计算 安全 数据处理
Python高手秘籍:列表推导式与Lambda函数的高效应用
列表推导式和Lambda函数是Python中强大的工具。列表推导式允许在一行代码中生成新列表,而Lambda函数则是用于简单操作的匿名函数。通过示例展示了如何使用这些工具进行数据处理和功能实现,包括生成偶数平方、展平二维列表、按长度排序单词等。这些工具在Python编程中具有高度的灵活性和实用性。
|
6天前
|
Java 索引 Python
【10月更文挑战第19天】「Mac上学Python 30」基础篇11 - 高级循环技巧与应用
本篇将介绍更深入的循环应用与优化方法,重点放在高级技巧和场景实践。我们将讲解enumerate()与zip()的妙用、迭代器与生成器、并发循环以及性能优化技巧。这些内容将帮助您编写更高效、结构更合理的代码。
28 5