Python的抽象方法实现的简洁方式

简介: 一个小的疑问:全局函数的第一个参数可以为self么?全局函数可以作为成员函数使用么?下面是编程中碰见的一个语法现象,Python的面向对象的底层实现不是那么简单的。一、来自scrapy框架的数据项加载器处理器代码-- coding: utf-8 --import scrapyimport scrapy.

一个小的疑问:

全局函数的第一个参数可以为self么?
全局函数可以作为成员函数使用么?
下面是编程中碰见的一个语法现象,Python的面向对象的底层实现不是那么简单的。

一、来自scrapy框架的数据项加载器处理器代码

-- coding: utf-8 --

import scrapy
import scrapy.loader
from scrapy.loader.processors import Join, MapCompose, TakeFirst

class TencentItemSpider(scrapy.Spider):

name = 'tencent_item'
allowed_domains = ['ke.qq.com']
start_urls = ['https://ke.qq.com/course/list?mt=1001&st=2002&tt=3019&price_min=1&page=1']

def parse(self, response):
    item = JobscrapyItem()
    # loader = scrapy.loader.ItemLoader(item=item,selector=response.selector)
    # loader = scrapy.loader.ItemLoader(item=item, response=response)

    # 测试xpath的代码
    # price = response.xpath('/html/body//section/div/div/ul/li/div/span[@class="line-cell item-price"]/text()')
    # print('self:', len(price), price.getall())
    # company_name = response.xpath('/html/body//section/div/div/ul/li/div/span/a/text()')
    # print('self:', len(company_name), company_name.getall())

    course_list = response.xpath('/html/body//section[@class="main autoM clearfix"]/div/div/ul/li')
    print(len(course_list))
    for course_ in course_list:
        # loader = scrapy.loader.ItemLoader(item=item, selector=course_)
        loader = CourseItemLoader(item=item, selector=course_)
        loader.add_xpath('company_name', 'div/span/a/text()')
        loader.add_xpath('course_price', 'div/span[@class="line-cell item-price"]/text()')

        re = loader.get_xpath('div/span[@class="line-cell item-price"]/text()')
        # print(re)
        yield loader.load_item()

def in_price_processor(value):

print(float(value[0][1:]))
# print(value)
# 删除¥符号,转换为float类型
return float(value[0][1:])

def out_price_processor(value):

print(value)
# 删除¥符号,转换为float类型
return value[0] + 100

class JobscrapyItem(scrapy.Item):

# 培训公司名
company_name = scrapy.Field()
# 课程价格
course_price = scrapy.Field(
    # input_processor=in_price_processor,
    # output_processor = out_price_processor
)

-----------------------重点关注这个全局函数的self参数

def price_processor(self, value):

print(self)   # 输出的类型是CourseItemLoader
print(float(value[0][1:]))
# print(value)
# 删除¥符号,转换为float类型
return float(value[0][1:])

class CourseItemLoader(scrapy.loader.ItemLoader):

course_price_in = price_processor     # 这个函数被调用。
# course_price_out = price_processor

二、Python的接口编程实现技巧
从上面代码可以得到一种类似抽象接口实现的编程技巧;尽管传统使用的是抛出实现异常机制,我觉得这种编程思路也不错(传统异常方式稳定性,逻辑性更加好点),可以实现类的定义与成员实现的分离,达到程序设计的低耦合实现,在此备忘一下代码。

class A:

meth = None

def meth(self, param):

print(param)

class B(A):

meth = meth

b = B()
b.meth('hello')

相关文章
|
3月前
|
测试技术 开发者 Python
Python单元测试入门:3个核心断言方法,帮你快速定位代码bug
本文介绍Python单元测试基础,详解`unittest`框架中的三大核心断言方法:`assertEqual`验证值相等,`assertTrue`和`assertFalse`判断条件真假。通过实例演示其用法,帮助开发者自动化检测代码逻辑,提升测试效率与可靠性。
335 1
|
4月前
|
机器学习/深度学习 数据采集 数据挖掘
基于 GARCH -LSTM 模型的混合方法进行时间序列预测研究(Python代码实现)
基于 GARCH -LSTM 模型的混合方法进行时间序列预测研究(Python代码实现)
137 2
|
4月前
|
调度 Python
微电网两阶段鲁棒优化经济调度方法(Python代码实现)
微电网两阶段鲁棒优化经济调度方法(Python代码实现)
124 0
|
4月前
|
传感器 大数据 API
Python数字限制在指定范围内:方法与实践
在Python编程中,限制数字范围是常见需求,如游戏属性控制、金融计算和数据过滤等场景。本文介绍了五种主流方法:基础条件判断、数学运算、装饰器模式、类封装及NumPy数组处理,分别适用于不同复杂度和性能要求的场景。每种方法均有示例代码和适用情况说明,帮助开发者根据实际需求选择最优方案。
204 0
|
4月前
|
Python
Python字符串center()方法详解 - 实现字符串居中对齐的完整指南
Python的`center()`方法用于将字符串居中,并通过指定宽度和填充字符美化输出格式,常用于文本对齐、标题及表格设计。
|
3月前
|
人工智能 数据安全/隐私保护 异构计算
桌面版exe安装和Python命令行安装2种方法详细讲解图片去水印AI源码私有化部署Lama-Cleaner安装使用方法-优雅草卓伊凡
桌面版exe安装和Python命令行安装2种方法详细讲解图片去水印AI源码私有化部署Lama-Cleaner安装使用方法-优雅草卓伊凡
405 8
桌面版exe安装和Python命令行安装2种方法详细讲解图片去水印AI源码私有化部署Lama-Cleaner安装使用方法-优雅草卓伊凡
|
5月前
|
安全 Python
Python语言中常用的文件操作方法探讨
通过上述方法的结合使用,我们可以构筑出强大并且可靠的文件操作逻辑,切实解决日常编程中遇到的文件处理问题。
232 72
|
4月前
|
机器学习/深度学习 数据采集 算法
【CNN-BiLSTM-attention】基于高斯混合模型聚类的风电场短期功率预测方法(Python&matlab代码实现)
【CNN-BiLSTM-attention】基于高斯混合模型聚类的风电场短期功率预测方法(Python&matlab代码实现)
255 4
|
3月前
|
算法 调度 决策智能
【两阶段鲁棒优化】利用列-约束生成方法求解两阶段鲁棒优化问题(Python代码实现)
【两阶段鲁棒优化】利用列-约束生成方法求解两阶段鲁棒优化问题(Python代码实现)
|
6月前
|
存储 机器学习/深度学习 人工智能
稀疏矩阵存储模型比较与在Python中的实现方法探讨
本文探讨了稀疏矩阵的压缩存储模型及其在Python中的实现方法,涵盖COO、CSR、CSC等常见格式。通过`scipy.sparse`等工具,分析了稀疏矩阵在高效运算中的应用,如矩阵乘法和图结构分析。文章还结合实际场景(推荐系统、自然语言处理等),提供了优化建议及性能评估,并展望了稀疏计算与AI硬件协同的未来趋势。掌握稀疏矩阵技术,可显著提升大规模数据处理效率,为工程实践带来重要价值。
261 58

推荐镜像

更多