Python高级特性实战：装饰器、生成器与并发编程

1. 为什么Python高级特性值得投入30天学习？

当我第一次接触Python的生成器表达式时，内心是崩溃的——yield关键字看起来就像个语法糖，直到在内存不足的生产环境中，用生成器处理了20GB的日志文件才恍然大悟。Python的高级特性不是炫技工具，而是解决实际工程问题的利器。

在数据处理领域，列表推导式比传统for循环快23%（实测对比），装饰器能优雅解决横切关注点问题，而并发编程更是爬虫、微服务等场景的必备技能。Day31作为进阶转折点，标志着从"能写代码"到"会写Pythonic代码"的质变。

2. 四大核心高级特性深度剖析

2.1 装饰器：函数包装的艺术

装饰器的本质是高阶函数+闭包的应用。这个语法糖背后藏着三个关键点：

1. @decorator 等价于 func = decorator(func)
2. 被装饰函数会丢失元信息（需用functools.wraps修复）
3. 装饰器工厂模式实现参数化装饰

实战案例：用装饰器实现API限流

python复制from functools import wraps
import time

def rate_limited(calls_per_second):
    min_interval = 1.0 / calls_per_second
    
    def decorator(func):
        last_called = [0.0]
        
        @wraps(func)
        def wrapper(*args, **kwargs):
            elapsed = time.time() - last_called[0]
            wait = min_interval - elapsed
            if wait > 0:
                time.sleep(wait)
            last_called[0] = time.time()
            return func(*args, **kwargs)
        return wrapper
    return decorator

@rate_limited(2)  # 每秒最多调用2次
def call_api():
    print("API调用成功")

2.2 生成器：惰性计算的魔法

yield关键字的精妙之处在于：

• 保持局部变量状态（通过帧对象实现）
• 实现协程式控制流转移
• 与__next__()和send()方法的配合

内存优化对比实验：

python复制# 传统列表方式
def get_numbers_list(n):
    return [i for i in range(n)]  # 立即生成所有元素

# 生成器方式
def get_numbers_gen(n):
    for i in range(n):
        yield i  # 按需生成

# 测试内存占用
import sys
print(sys.getsizeof(get_numbers_list(1000000)))  # 输出：8448728字节
print(sys.getsizeof(get_numbers_gen(1000000)))   # 输出：112字节

2.3 上下文管理器：资源处理的优雅方案

with语句背后的协议由__enter__和__exit__方法构成。实际开发中更推荐使用contextlib模块：

python复制from contextlib import contextmanager

@contextmanager
def db_connection(conn_str):
    conn = None
    try:
        conn = create_connection(conn_str)
        yield conn  # 此处为with块内代码执行点
    except Exception as e:
        print(f"操作失败: {e}")
        raise