Python 工匠：使用數字與字元串的技巧
- 2022 年 4 月 24 日
- 筆記
序言
這是 「Python 工匠」系列的第 3 篇文章。
數字是幾乎所有程式語言里最基本的數據類型，它是我們通過程式碼連接現實世界的基礎。在 Python 里有三種數值類型：整型（int）、浮點型（float）和複數（complex）。絕大多數情況下，我們只需要和前兩種打交道。
整型在 Python 中比較讓人省心，因為它不區分有無符號並且永不溢出。但浮點型仍和絕大多數其他程式語言一樣，依然有著精度問題，經常讓很多剛進入編程世界大門的新人們感到困惑："Why Are Floating Point Numbers Inaccurate?"。
相比數字，Python 里的字元串要複雜的多。要掌握它，你得先弄清楚 bytes 和 str 的區別。如果更不巧，你還是位 Python2 用戶的話，就夠你喝上好幾壺了光 unicode 和字元編碼問題（趕快遷移到 Python3 吧，就在今天！）。
不過，上面提到的這些都不是這篇文章的主題，如果感興趣，你可以在網上找到成堆的相關資料。在這篇文章里，我們將討論一些 更細微、更不常見 的編程實踐。來幫助你寫出更好的 Python 程式碼。
內容目錄
- 最佳實踐
1 少寫數字字面量，使用 enum 枚舉類型改善程式碼
2 別在裸字元串處理上走太遠
3 不必預計算字面量表達式 - 實用技巧
1 當多級縮進里出現多行字元串時
2 布爾值其實也是「數字」
3 改善超長字元串的可讀性
4 別忘了那些 「r」 開頭的內建字元串函數
5 使用「無窮大」 float("inf") - 常見誤區
1 「value = 1」 並非執行緒安全
2 字元串拼接並不慢
最佳實踐
1. 少寫數字字面量
「數字字面量（integer literal）」 是指那些直接出現在程式碼里的數字。它們分布在程式碼里的各個角落，比如程式碼 del users[0] 里的 0 就是一個數字字面量。它們簡單、實用，每個人每天都在寫。但是，當你的程式碼里不斷重複出現一些特定字面量時，你的「程式碼品質告警燈」就應該亮起黃燈了。
舉個例子，假如你剛加入一家心儀已久的新公司，同事轉交給你的項目里有這麼一個函數：
def mark_trip_as_featured(trip):
"""將某個旅程添加到推薦欄目
"""
if trip.source == 11:
do_some_thing(trip)
elif trip.source == 12:
do_some_other_thing(trip)
... ...
return
這個函數做了什麼事？你努力想搞懂它的意思，不過 trip.source == 11 是什麼情況？那 == 12 呢？這兩行程式碼很簡單，沒有用到任何魔法特性。但初次接觸程式碼的你可能需要花費一整個下午，才能弄懂它們的含義。
問題就出在那幾個數字字面量上。 最初寫下這個函數的人，可能是在公司成立之初加入的那位元老程式設計師。而他對那幾個數字的含義非常清楚。但如果你是一位剛接觸這段程式碼的新人，就完全是另外一碼事了。
使用 enum 枚舉類型改善程式碼
那麼，怎麼改善這段程式碼？最直接的方式，就是為這兩個條件分支添加註釋。不過在這裡，「添加註釋」顯然不是提升程式碼可讀性的最佳辦法（其實在絕大多數其他情況下都不是）。我們需要用有意義的名稱來代替這些字面量，而 枚舉類型（enum）用在這裡最合適不過了。
enum 是 Python 自 3.4 版本引入的內置模組，如果你使用的是更早的版本，可以通過 pip install enum34 來安裝它。下面是使用 enum 的樣例程式碼：
# -*- coding: utf-8 -*-
from enum import IntEnum
class TripSource(IntEnum):
FROM_WEBSITE = 11
FROM_IOS_CLIENT = 12
def mark_trip_as_featured(trip):
if trip.source == TripSource.FROM_WEBSITE:
do_some_thing(trip)
elif trip.source == TripSource.FROM_IOS_CLIENT:
do_some_other_thing(trip)
... ...
return
將重複出現的數字字面量定義成枚舉類型，不光可以改善程式碼的可讀性，程式碼出現 Bug 的幾率也會降低。
試想一下，如果你在某個分支判斷時將 11 錯打成了 111 會怎麼樣？我們時常會犯這種錯，而這類錯誤在早期特別難被發現。將這些數字字面量全部放入枚舉類型中可以比較好的規避這類問題。類似的，將字元串字面量改寫成枚舉也可以獲得同樣的好處。
使用枚舉類型代替字面量的好處：
- 提升程式碼可讀性：所有人都不需要記憶某個神奇的數字代表什麼
- 提升程式碼正確性：減少打錯數字或字母產生 bug 的可能性
當然，你完全沒有必要把程式碼里的所有字面量都改成枚舉類型。 程式碼里出現的字面量，只要在它所處的上下文裡面容易理解，就可以使用它。 比如那些經常作為數字下標出現的 0 和 -1 就完全沒有問題，因為所有人都知道它們的意思。
2. 別在裸字元串處理上走太遠
什麼是「裸字元串處理」？在這篇文章里，它指只使用基本的加減乘除和循環、配合內置函數/方法來操作字元串，獲得我們需要的結果。
所有人都寫過這樣的程式碼。有時候我們需要拼接一大段發給用戶的告警資訊，有時我們需要構造一大段發送給資料庫的 SQL 查詢語句，就像下面這樣：
def fetch_users(conn, min_level=None, gender=None, has_membership=False, sort_field="created"):
"""獲取用戶列表
:param int min_level: 要求的最低用戶級別，默認為所有級別
:param int gender: 篩選用戶性別，默認為所有性別
:param int has_membership: 篩選所有會員/非會員用戶，默認非會員
:param str sort_field: 排序欄位，默認為按 created "用戶創建日期"
:returns: 列表：[(User ID, User Name), ...]
"""
# 一種古老的 SQL 拼接技巧，使用 "WHERE 1=1" 來簡化字元串拼接操作
# 區分查詢 params 來避免 SQL 注入問題
statement = "SELECT id, name FROM users WHERE 1=1"
params = []
if min_level is not None:
statement += " AND level >= ?"
params.append(min_level)
if gender is not None:
statement += " AND gender >= ?"
params.append(gender)
if has_membership:
statement += " AND has_membership == true"
else:
statement += " AND has_membership == false"
statement += " ORDER BY ?"
params.append(sort_field)
return list(conn.execute(statement, params))
我們之所以用這種方式拼接出需要的字元串 - 在這裡是 SQL 語句 - 是因為這樣做簡單、直接，符合直覺。但是這樣做最大的問題在於：隨著函數邏輯變得更複雜，這段拼接程式碼會變得容易出錯、難以擴展。事實上，上面這段 Demo 程式碼也只是僅僅做到看上去沒有明顯的 bug 而已 （誰知道有沒有其他隱藏問題）。
其實，對於 SQL 語句這種結構化、有規則的字元串，用對象化的方式構建和編輯它才是更好的做法。下面這段程式碼用SQLAlchemy 模組完成了同樣的功能：
def fetch_users_v2(conn, min_level=None, gender=None, has_membership=False, sort_field="created"):
"""獲取用戶列表
"""
query = select([users.c.id, users.c.name])
if min_level is not None:
query = query.where(users.c.level >= min_level)
if gender is not None:
query = query.where(users.c.gender == gender)
query = query.where(users.c.has_membership == has_membership).order_by(users.c[sort_field])
return list(conn.execute(query))
上面的 fetch_users_v2 函數更短也更好維護，而且根本不需要擔心 SQL 注入問題。所以，當你的程式碼中出現複雜的裸字元串處理邏輯時，請試著用下面的方式替代它：
Q: 目標/源字元串是結構化的，遵循某種格式嗎？
是：找找是否已經有開源的對象化模組操作它們，或是自己寫一個
SQL：SQLAlchemy
XML：lxml
JSON、YAML ...
否：嘗試使用模板引擎而不是複雜字元串處理邏輯來達到目的
Jinja2
mako
Mustache
3. 不必預計算字面量表達式
我們的程式碼里偶爾會出現一些比較複雜的數字，就像下面這樣
def f1(delta_seconds):
# 如果時間已經過去了超過 11 天，不做任何事
if delta_seconds > 950400:
return
...
話說在前頭，上面的程式碼沒有任何毛病。
首先，我們在小本子（當然，和我一樣的聰明人會用 IPython）上算了算：11天一共包含多少秒？。然後再把結果 950400 這個神奇的數字填進我們的程式碼里，最後心滿意足的在上面補上一行注釋：告訴所有人這個神奇的數字是怎麼來的。
我想問的是：「為什麼我們不直接把程式碼寫成 if delta_seconds < 11 * 24 * 3600: 呢？」
「性能」，答案一定會是「性能」。我們都知道 Python 是一門（速度欠佳的）解釋型語言，所以預先計算出 950400 正是因為我們不想讓每次對函數 f1 的調用都帶上這部分的計算開銷。不過事實是：即使我們把程式碼改成 if delta_seconds < 11 * 24 * 3600:，函數也不會多出任何額外的開銷。
Python 程式碼在執行時會被解釋器編譯成位元組碼，而真相就藏在位元組碼里。讓我們用 dis 模組看看：
def f1(delta_seconds):
if delta_seconds < 11 * 24 * 3600:
return
import dis
dis.dis(f1)
# dis 執行結果
5 0 LOAD_FAST 0 (delta_seconds)
2 LOAD_CONST 1 (950400)
4 COMPARE_OP 0 (<)
6 POP_JUMP_IF_FALSE 12
6 8 LOAD_CONST 0 (None)
10 RETURN_VALUE
>> 12 LOAD_CONST 0 (None)
14 RETURN_VALU
看見上面的 2 LOAD_CONST 1 (950400) 了嗎？這表示 Python 解釋器在將源碼編譯成成位元組碼時，會計算 11 * 24 * 3600 這段整表達式，並用 950400 替換它。
所以，當我們的程式碼中需要出現複雜計算的字面量時，請保留整個算式吧。它對性能沒有任何影響，而且會增加程式碼的可讀性。
Hint：Python 解釋器除了會預計算數值字面量表達式以外，還會對字元串、列表做類似的操作。一切都是為了性能。誰讓你們老吐槽 Python 慢呢？
實用技巧
1. 布爾值其實也是「數字」
Python 里的兩個布爾值 True 和 False 在絕大多數情況下都可以直接等價於 1 和 0 兩個整數來使用，就像這樣：
>>> True + 1
2
>>> 1 / False
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
ZeroDivisionError: division by zero
那麼記住這點有什麼用呢？首先，它們可以配合 sum 函數在需要計算總數時簡化操作：
>>> l = [1, 2, 4, 5, 7]
>>> sum(i % 2 == 0 for i in l)
2
此外，如果將某個布爾值表達式作為列表的下標使用，可以實現類似三元表達式的目的：
# 類似的三元表達式："Javascript" if 2 > 1 else "Python"
>>> ["Python", "Javascript"][2 > 1]
'Javascript'
2. 改善超長字元串的可讀性
單行程式碼的長度不宜太長。比如 PEP8 里就建議每行字元數不得超過 79。現實世界裡，大部分人遵循的單行最大字元數在 79 到 119 之間。如果只是程式碼，這樣的要求是比較容易達到的，但假設程式碼里需要
出現一段超長的字元串呢？
這時，除了使用斜杠 \ 和加號 + 將長字元串拆分為好幾段以外，還有一種更簡單的辦法：使用括弧將長字元串包起來，然後就可以隨意折行了：
def main():
logger.info(("There is something really bad happened during the process. "
"Please contact your administrator."))
當多級縮進里出現多行字元串時
日常編碼時，還有一種比較麻煩的情況。就是需要在已經有縮進層級的程式碼里，插入多行字元串字面量。因為多行字元串不能包含當前的縮進空格，所以，我們需要把程式碼寫成這樣：
def main():
if user.is_active:
message = """Welcome, today's movie list:
- Jaw (1975)
- The Shining (1980)
- Saw (2004)""
但是這樣寫會破壞整段程式碼的縮進視覺效果，顯得非常突兀。要改善它有很多種辦法，比如我們可以把這段多行字元串作為變數提取到模組的最外層。不過，如果在你的程式碼邏輯里更適合用字面量的話，你也可以用標準庫 textwrap 來解決這個問題：
from textwrap import dedent
def main():
if user.is_active:
# dedent 將會縮進掉整段文字最左邊的空字元串
message = dedent("""\
Welcome, today's movie list:
- Jaw (1975)
- The Shining (1980)
- Saw (2004)""")
3. 別忘了那些 「r」 開頭的內建字元串函數
Python 的字元串有著非常多實用的內建方法，最常用的有 .strip()、.split() 等。這些內建方法里的大多數，處理起來的順序都是從左往右。但是其中也包含了部分以 r 打頭的從右至左處理的鏡像方法。在處理特定邏輯時，使用它們可以讓你事半功倍。
假設我們需要解析一些訪問日誌，日誌格式為："{user_agent}" {content_length}
>>> log_line = '"AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36" 47632'
如果使用 .split() 將日誌拆分為 (user_agent, content_length) ，我們需要這麼寫：
>>> l = log_line.split()
>>> " ".join(l[:-1]), l[-1]
('"AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36"', '47632')
但是如果使用 .rsplit() 的話，處理邏輯就更直接了：
>>> log_line.rsplit(None, 1)
['"AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36"', '47632']
4. 使用「無窮大」 float("inf")
如果有人問你：「Python 里什麼數字最大/最小？」。你應該怎麼回答？有這樣的東西存在嗎？
答案是：「有的，它們就是：float("inf") 和 float("-inf")」。它們倆分別對應著數學世界裡的正負無窮大。當它們和任意數值進行比較時，滿足這樣的規律：float("-inf") < 任意數值 < float("inf")。
因為它們有著這樣的特點，我們可以在某些場景用上它們：
# A. 根據年齡升序排序，沒有提供年齡放在最後邊
>>> users = {"tom": 19, "jenny": 13, "jack": None, "andrew": 43}
>>> sorted(users.keys(), key=lambda user: users.get(user) or float('inf'))
['jenny', 'tom', 'andrew', 'jack']
# B. 作為循環初始值，簡化第一次判斷邏輯
>>> max_num = float('-inf')
>>> # 找到列表中最大的數字
>>> for i in [23, 71, 3, 21, 8]:
...: if i > max_num:
...: max_num = i
...:
>>> max_num
71
常見誤區
1. 「value += 1」 並非執行緒安全
當我們編寫多執行緒程式時，經常需要處理複雜的共享變數和競態等問題。
「執行緒安全」，通常被用來形容 某個行為或者某類數據結構，可以在多執行緒環境下被共享使用併產生預期內的結果。一個典型的滿足「執行緒安全」的模組就是 queue 隊列模組。
而我們常做的 value += 1 操作，很容易被想當然的認為是「執行緒安全」的。因為它看上去就是一個原子操作 （指一個最小的操作單位，執行途中不會插入任何其他操作）。然而真相併非如此，雖然從 Python 程式碼上來看，value += 1 這個操作像是原子的。但它最終被 Python 解釋器執行的時候，早就不再 「原子」 了。
我們可以用前面提到的 dis 模組來驗證一下：
def incr(value):
value += 1
# 使用 dis 模組查看位元組碼
import dis
dis.dis(incr)
0 LOAD_FAST 0 (value)
2 LOAD_CONST 1 (1)
4 INPLACE_ADD
6 STORE_FAST 0 (value)
8 LOAD_CONST 0 (None)
10 RETURN_VALUE
在上面輸出結果中，可以看到這個簡單的累加語句，會被編譯成包括取值和保存在內的好幾個不同步驟，而在多執行緒環境下，任意一個其他執行緒都有可能在其中某個步驟切入進來，阻礙你獲得正確的結果。
因此，請不要憑藉自己的直覺來判斷某個行為是否「執行緒安全」，不然等程式在高並發環境下出現奇怪的 bug 時，你將為自己的直覺付出慘痛的代價。
2. 字元串拼接並不慢
我剛接觸 Python 不久時，在某個網站看到這樣一個說法： 「Python 里的字元串是不可變的，所以每一次對字元串進行拼接都會生成一個新對象，導致新的記憶體分配，效率非常低」。 我對此深信不疑。
所以，一直以來，我盡量都在避免使用 += 的方式去拼接字元串，而是用 "".join(str_list) 之類的方式來替代。
但是，在某個偶然的機會下，我對 Python 的字元串拼接做了一次簡單的性能測試後發現： Python 的字元串拼接根本就不慢！ 在查閱了一些資料後，最終發現了真相。
Python 的字元串拼接在 2.2 以及之前的版本確實很慢，和我最早看到的說法行為一致。但是因為這個操作太常用了，所以之後的版本里專門針對它做了性能優化。大大提升了執行效率。
如今使用 += 的方式來拼接字元串，效率已經非常接近 "".join(str_list) 了。所以，該拼接時就拼接吧，不必擔心任何性能問題。
Hint: 如果你想了解更詳細的相關內容，可以讀一下這篇文章：Python - Efficient String Concatenation in Python (2016 edition) - smcl
結語
以上就是『Python 工匠』系列文章的第三篇，內容比較零碎。由於篇幅原因，一些常用的操作比如字元串格式化等，文章里並沒有涵蓋到。以後有機會再寫吧。
讓我們最後再總結一下要點：
- 編寫程式碼時，請考慮閱讀者的感受，不要出現太多神奇的字面量
- 當操作結構化字元串時，使用對象化模組比直接處理更有優勢
- dis 模組非常有用，請多多使用它驗證你的猜測
- 多執行緒環境下的編碼非常複雜，要足夠謹慎，不要相信自己的直覺
- Python 語言的更新非常快，不要被別人的經驗所左右
看完文章的你，有沒有什麼想吐槽的？請留言或者在 項目 Github Issues 告訴我吧。
往期推薦
Python 工匠：善用變數來改善程式碼品質
Python 工匠：編寫條件分支程式碼的技巧
藍鯨智雲簡介
騰訊藍鯨智雲（簡稱藍鯨）軟體體系是一套基於PaaS的技術解決方案，致力於打造行業領先的一站式自動化運維平台。目前已經推出社區版、企業版、公有雲版，歡迎體驗。
請點擊訪問藍鯨官網：//bk.tencent.com
