Python 开发环境的准备以及一些常用类库模块的安装
在学习和开发Python的时候,第一步的工作就是先准备好开发环境,包括相关常用的插件,以及一些辅助工具,这样我们在后续的开发工作中,才能做到事半功倍。下面介绍一些Python 开发环境的准备以及一些常用类库模块的安装和使用的经验总结,供大家参考了解。
1、开发VScode的安装及相关准备
在 Python 开发环境的准备中,有几个步骤是关键的。以下是一个详细的指南,涵盖了开发环境的准备以及一些常用插件的安装:
1)安装 VS Code
VS Code:
这是一个轻量级但功能强大的代码编辑器,支持丰富的扩展。你可以从
Visual Studio Code 官方网站
下载。打开官网 https://code.visualstudio.com/,下载软件包。或者你也可以使用其他的如
PyCharm,
可以从
JetBrains 官方网站
下载。
Python AI 编程助手:Fitten Code:
它是由非十大模型驱动的 AI 编程助手,它可以自动生成代码,提升开发效率,帮您调试 Bug,节省您的时间,另外还可以对话聊天,解决您编程碰到的问题。
Fitten Code是由非十大模型驱动的AI编程助手,它可以自动生成代码,提升开发效率,帮您调试Bug,节省您的时间。还可以对话聊天,解决您编程碰到的问题。免费且支持80多种语言:Python、C++、Javascript、Typescript、Java等。
强烈推荐使用
,自动补齐代码功能,可以节省很多手工键入代码的时间,减少错误。
2)安装 VS Code Python 扩展
在VSCode中安装 Python 扩展,在扩展市场搜索 Python 并安装。
3)安装 Python
首先,确保你已经安装了 Python。你可以从
Python 官方网站
下载最新版本安装包并安装。
Window 平台安装 Python: https://www.python.org/downloads/windows/
Mac 平台安装 Python: https://www.python.org/downloads/mac-osx/
4)配置 Python 环境变量
打开系统环境变量,在 PATH 变量中添加 Python 目录,这样可以在命令行中直接使用 Python。
5)测试 Python 环境
在命令行中输入 python,如果出现 Python 解释器版本信息,则表示 Python 环境配置成功。
6)安装 pip
打开命令行,输入 pip install --upgrade pip,升级 pip 到最新版本。
7)安装 virtualenv
打开命令行,输入 pip install virtualenv,安装 virtualenv。
2、Python一些常用类库模块的安装
Python开发常用类库模块非常多,看你侧重于那个方面,基本上都时列出来一大串,我以常规后端Web API开发为侧重点进行一些重点的推介,供参考学习。
1) requests
requests
是一个简单易用的 Python 库,地址:https://github.com/psf/requests,用于发送 HTTP 请求。它的设计目标是使得与 Web 服务的交互更加方便和人性化。
requests
是基于 urllib3 之上的一个封装层,提供了简洁的 API 来处理常见的 HTTP 请求操作,如 GET、POST、PUT、DELETE 等。
requests
的主要特性
- 简洁的 API
:相比原生的
urllib
,
requests
提供了更直观、更容易理解的接口。 - 自动处理编码
:
requests
自动处理响应的内容编码,并自动解码
gzip
和
deflate
压缩。 - 支持保持会话
:通过
Session
对象,
requests
可以在多个请求之间保持会话,处理 cookies。 - 简化的错误处理
:
requests
会根据 HTTP 响应状态码抛出相应的异常,从而简化错误处理流程。 - 丰富的功能
:支持 HTTP 认证、代理、SSL 证书验证、文件上传、多部分编码表单、会话对象、cookie 持久化、连接池管理等功能。
如果需要考虑异步处理,可以使用
aiohttp :
aiohttp
是一个异步 HTTP 客户端和服务器框架,它使用 Python 的
asyncio
库来处理大量并发的请求。
aiohttp
适合那些需要高性能网络通信的应用,如 Web 服务、WebSocket 和实时数据处理。
2) Uvicorn
Uvicorn
是一个基于 ASGI(Asynchronous Server Gateway Interface)的高性能、轻量级的 Python Web 服务器,专为运行异步 Web 框架(如 FastAPI、Starlette)而设计。它利用了 Python 的异步功能,能够处理大量并发连接,适合构建现代的异步 Web 应用程序。
Uvicorn
的主要特性
- 高性能
: 使用
uvloop
和
httptools
提供极高的性能,适合在高并发场景下使用。 - 异步支持
: 支持异步编程模型,能够与 Python 的
asyncio
和
trio
无缝集成。 - ASGI 兼容
: 完全兼容 ASGI 标准,适用于现代异步 Web 框架,如 FastAPI 和 Starlette。 - WebSocket 支持
: 通过 ASGI,
Uvicorn
原生支持 WebSocket 协议。 - 灵活的部署
: 既可以作为独立的开发服务器使用,也可以与
Gunicorn
等 WSGI 服务器结合部署生产环境。
Uvicorn
通常用于运行 FastAPI 或 Starlette 应用。以下是一个简单的 FastAPI 应用并使用
Uvicorn
运行:
from fastapi importFastAPI
app=FastAPI()
@app.get("/")
asyncdefread_root():return {"Hello": "World"}if __name__ == "__main__":importuvicorn
uvicorn.run(app, host="0.0.0.0", port=8000)
3)FastAPI
FastAPI
是一个现代、快速(高性能)的 Web 框架,用于构建 API。它基于 Python 3.7+ 的类型提示,并且依赖于
Starlette
(用于 web 服务器和路由)和
Pydantic
(用于数据验证和序列化)。
FastAPI
的设计目标是提供与 Flask 和 Django 类似的开发体验,但在性能、类型安全和开发者友好性方面做出更大的提升。GitHub地址:https://github.com/fastapi/fastapi
FastAPI 的主要特性
- 极高的性能
: 基于 ASGI 的异步支持,使得
FastAPI
在性能上接近 Node.js 和 Go 的水平,适合处理高并发。 - 自动生成 API 文档
: 使用 OpenAPI 和 JSON Schema 自动生成交互式的 API 文档(如 Swagger UI 和 ReDoc)。 - 基于类型提示的自动验证
: 利用 Python 的类型提示和
Pydantic
,自动进行数据验证和解析。 - 异步支持
: 原生支持
async
和
await
,能够处理异步任务,适合与数据库、第三方 API、WebSocket 等交互。 - 内置依赖注入系统
: 使得依赖的声明和管理变得简洁而强大,便于模块化设计。 - 开发者友好
: 提供了详细的错误信息和文档,支持自动补全,极大提升了开发效率。
以下是一个简单的
FastAPI
应用:
from fastapi importFastAPI
app=FastAPI()
@app.get("/")
asyncdefread_root():return {"message": "Hello, World"}
@app.get("/items/{item_id}")
asyncdef read_item(item_id: int, q: str =None):return {"item_id": item_id, "q": q}
当你运行 FastAPI 应用时,它会自动生成交互式文档:
- Swagger UI
: 访问
http://127.0.0.1:8000/docs
- ReDoc
: 访问
http://127.0.0.1:8000/redoc
这两个文档界面可以让你查看 API 的结构,甚至可以直接在界面中进行 API 调用。如我在上篇随笔进行介绍的《
Python中FastAPI项目使用 Annotated的参数设计
》。
FastAPI 是一个非常现代化和高效的框架,非常适合用于构建高性能的 API。其自动文档生成、数据验证和依赖注入等特性,使得开发者能够更快、更安全地编写代码,并提供出色的用户体验。
FastAPI项目的参数设计,这些您可以在
路径操作函数
参数或使用
Annotated
的依赖函数中使用的特殊函数,用于从请求中获取数据。
我们引入配置文件,可以对FastAPI 中服务启动的参数进行统一的管理,如下main.py 代码所示。
if __name__ == "__main__":importuvicorn#log_level:'critical', 'error', 'warning', 'info', 'debug', 'trace'。默认值:'info'。 uvicorn.run(
app,
host=settings.SERVER_IP,
port=settings.SERVER_PORT,
log_config="app/uvicorn_config.json", #日志配置 #log_level="info", # 日志级别 )
3)pymysql 、pymssql、和 SQLAlchemy
涉及后端的处理,肯定绕不过数据库的处理操作,如对于MySQL、MS SqlServer等数据库的处理和封装。
PyMySQL
是一个纯 Python 实现的 MySQL 客户端库,用于连接 MySQL 数据库并执行 SQL 查询。它是 Python 的
MySQLdb
库的替代品,尤其适合那些在使用 Python 3 并且不希望依赖 C 语言扩展的项目。
PyMySQL
支持 MySQL 数据库的所有主要功能,包括事务、存储过程、连接池等。
PyMySQL
的主要特性
- 纯 Python 实现
: 不依赖 C 扩展,易于安装和跨平台使用。 - 兼容性好
: 与
MySQLdb
的接口非常相似,便于从
MySQLdb
迁移到
PyMySQL
。 - 支持 MySQL 的所有主要功能
: 包括事务处理、存储过程、BLOB 数据类型等。 - 简单易用
: 提供了直观的 API 进行数据库连接、查询、插入、更新和删除操作。
安装
PyMySQL
你可以通过
pip
来安装
PyMySQL
:
pip install pymysql
使用
PyMySQL
连接到 MySQL 数据库:
importpymysql
connection=pymysql.connect(
host='localhost',
user='your_username',
password='your_password',
database='your_database')try:
with connection.cursor() as cursor:#执行 SQL 查询 cursor.execute("SELECT VERSION()")#获取查询结果 result =cursor.fetchone()print(f"MySQL version: {result}")finally:
connection.close()
如下是我实际表的一些操作例子代码。
sql = "select * from t_customer where name = '{0}' LIMIT 1".format(name)print(sql)
cursor.execute(sql)
myresult= cursor.fetchone() #fetchone() 获取一条记录 ifmyresult:print("该名称已存在,请更换名称.")else:print("该名称可用.")#插入记录语句 sql = "INSERT INTO `t_customer` (`ID`, `Name`, `Age`, `Creator`, `CreateTime`) VALUES (%s, %s, %s, %s, %s);"val=(id, name, age, creator, createtime)
cursor.execute(sql, val)
db.commit()#数据表内容有更新,必须使用到该语句 print(cursor.rowcount, "行记录插入.")
sql= "update t_customer Set age = %s where name =%s"val= (26, name)
cursor.execute(sql, val)
db.commit()#数据表内容有更新,必须使用到该语句 print(cursor.rowcount, "条记录被修改")
sql= "select * from t_customer where name = '{0}' LIMIT 1".format(name)
cursor.execute(sql)
myresult= cursor.fetchone() #fetchone() 获取一条记录 ifmyresult:print("修改后的记录:", myresult)
sql= "SELECT * FROM t_customer"cursor.execute(sql)print("t_customer 结果集:")for x incursor:print(x)
sql= "delete from t_customer where name =%s" try:
cursor.execute(sql, (name,))
db.commit()#数据表内容有更新,必须使用到该语句 print(cursor.rowcount, "行记录删除.")except:
db.rollback()#发生错误时回滚 print("删除记录失败!")
sql= "SELECT * FROM t_customer"cursor.execute(sql)
myresult= cursor.fetchall() #fetchall() 获取所有记录 for x inmyresult:print(x)#关闭数据库连接 db.close()
输出的显示如下所示。
pymssql
是一个用于连接 Microsoft SQL Server 数据库的 Python 库,它是基于
FreeTDS
实现的轻量级数据库接口,旨在简化 Python 与 SQL Server 之间的交互。
pymssql
提供了对 T-SQL 语句的支持,并且可以执行存储过程和处理大批量数据插入等任务。
pymssql
的主要特性
- 轻量级和易用性
: 提供了简单的 API 接口,易于快速上手。 - 与 SQL Server 兼容
: 支持 Microsoft SQL Server 2005 及以上版本。 - 跨平台支持
: 支持在 Windows、Linux 和 macOS 系统上运行。 - 集成事务管理
: 通过
commit
和
rollback
方法进行事务管理。 - 支持存储过程
: 能够执行和处理存储过程,适用于复杂的数据库操作。 - 批量插入支持
: 通过
executemany
方法高效地插入大量数据。
安装
pymssql
你可以通过
pip
安装
pymssql
:
pip install pymssql
使用
pymssql
连接到 SQL Server 数据库,
pymssql
支持事务,可以在执行多个操作时使用事务控制,以确保数据一致性:
importpymssql#Connect to the database conn =pymssql.connect(
server="localhost",
user="sa",
password="123456",
database="Winframework",
tds_version="7.0",
)#Create a cursor object cursor =conn.cursor()#Execute a query cursor.execute("SELECT * FROM T_Customer")#Fetch all the rows rows =cursor.fetchall()#Print the rows for row inrows:print(row)#Close the cursor and connection cursor.close()
conn.close()
是一个功能强大且灵活的 Python SQL 工具包和对象关系映射(ORM)库。它被广泛用于在 Python 项目中处理关系型数据库的场景,既提供了高级的 ORM 功能,又保留了对底层 SQL 语句的强大控制力。
SQLAlchemy
允许开发者通过 Python 代码与数据库进行交互,而无需直接编写 SQL 语句,同时也支持直接使用原生 SQL 进行复杂查询。
SQLAlchemy 的主要特性
- 对象关系映射(ORM)
: 允许将 Python 类映射到数据库表,并且自动处理 SQL 的生成和执行。 - SQL 表达式语言
: 提供了一个表达式语言层,允许构建和执行原生 SQL 查询,同时保留类型安全性和跨数据库兼容性。 - 数据库抽象层
: 提供了跨数据库的兼容性,使得在不同数据库之间切换变得相对容易。 - 高性能
: 通过细粒度的控制和缓存机制,优化了数据库访问的性能。 - 事务管理
: 支持复杂的事务处理和上下文管理,使得数据库操作更加安全和一致。 - 支持多种数据库
: 支持大多数主流的关系型数据库,如 SQLite、PostgreSQL、MySQL、Oracle、SQL Server 等。
安装 SQLAlchemy
你可以通过
pip
安装
SQLAlchemy
:
pip install sqlalchemy
如果你要连接到特定的数据库,还需要安装相应的数据库驱动程序。例如,要连接到 MySQL 数据库,你还需要安装
pymysql
或
mysqlclient
:
使用
SQLAlchemy 操作数据库,
可以统一多种数据库的操作处理,如SQLITE、SqlServer、MySQL、PostgreSQL等。
使用
SQLAlchemy
创建与数据库的连接:
#mysql 数据库引擎 engine =create_engine("mysql+pymysql://root:123456@127.0.0.1:3306/WinFramework",
pool_recycle=3600,#echo=True, )#Sqlite 数据库引擎#engine = create_engine("sqlite:///testdir//test.db") #PostgreSQL 数据库引擎#engine = create_engine(#"postgresql+psycopg2://postgres:123456@localhost:5432/winframework",## echo=True,#) #engine = create_engine(#"mssql+pymssql://sa:123456@localhost/WinFramework?tds_version=7.0",## echo=True,#)
由于对应的是ORM处理方式,因此和数据库表关联需要定义一个类对象,如下所示。
from sqlalchemy importcreate_engine, Column, Integer, String, DateTime, TIMESTAMPfrom sqlalchemy.ext.declarative importdeclarative_basefrom sqlalchemy.orm importsessionmaker#创建一个基类,用于定义数据库表的结构 Base =declarative_base()#定义一个 Customer数据库表的模型 classCustomer(Base):__tablename__ = "t_customer"id= Column(String, primary_key=True, comment="主键")
name= Column(String, comment="姓名")
age= Column(Integer, comment="年龄")
creator= Column(String, comment="创建人")
createtime= Column(DateTime, comment="创建时间")
CRUD的操作例子代码如下所示。
#创建一个会话 Session = sessionmaker(bind=engine)
session=Session()
id=str(guid.uuid4())#create a new customer customer =Customer(
id=id,
name="Alice",
age=25,
creator="admin",
createtime=datetime.strptime("2021-01-01 12:00:00", "%Y-%m-%d %H:%M:%S"),
)#add the customer to the session session.add(customer)#commit the changes to the database session.commit()#query the customer from the session for item insession.scalars(select(Customer)):print(item.id, item.name, item.age, item.creator, item.createtime)print("\r\nquery all customers")
customers=session.query(Customer).all()for customer incustomers:print(customer.name, customer.age)print("\r\nquery all customers by condition:age > 20")
customers= session.query(Customer).filter(Customer.age > 20).limit(30).offset(1).all()for customer incustomers:print(customer.name, customer.age)print("\r\nquery customer by id")
customer= session.query(Customer).filter(Customer.id ==id).first()ifcustomer:print(customer.name, customer.age)print("\r\n 复杂查询")
customers=(
session.query(Customer)
.filter(
or_(
and_(Customer.age> 20, Customer.age < 30),
Customer.name.in_(["Alice", "伍华聪"]),
)
)
.all()
)for customer incustomers:print(customer.name, customer.age)print("\r\nselect customer by id")
stmt= select(Customer).where(Customer.id ==id)
result=session.execute(stmt)print(result)
stmt= select(Customer).where(Customer.name == "伍华聪")
result=session.execute(stmt).scalar()ifresult:print("Customer exists in the database")print(result.id, result.name, result.age)else:print("Customer does not exist in the database")print("\r\nselect customer In")#query the customer from the session stmt = select(Customer).where(Customer.name.in_(["Alice", "伍华聪"]))for item insession.scalars(stmt):print(item.id, item.name, item.age, item.creator, item.createtime)print('\r\ndelete all customers by name = "Alice"')#delete the customer from the database delete_stmt = delete(Customer).where(Customer.name == "Alice")
result=session.execute(delete_stmt)print(str(result.rowcount) + "rows deleted")
session.commit()#close the session session.close()
由于篇幅限制,我们暂时介绍一些,其实就算是做后端WebAPI的处理,我们也需要了解很多不同的类库,Python类库非常丰富,而且同步、异步又有不同的类库差异,因此我们可以根据实际需要选用不同的类库来实现我们的框架目的。
如对于FastAPI的数据验证,我们一般引入 pydantic,可以对数据进行各种丰富的校验处理,类似于强类型和各种规则的校验。
classPerson(BaseModel):
name: str
age: int
@field_validator("age")defage_must_be_positive(cls, v):if v <0:raise ValueError("Age must be a positive number")return v
如对于配置信息的处理,我们还可以引入 python-dotenv 和 pydantic_settings 来统一管理配置参数。
from pydantic_settings importBaseSettings, SettingsConfigDictclassSettings(BaseSettings):
model_config=SettingsConfigDict(
env_file=".env", #加载env文件 extra="ignore", #加载env文件,如果没有在Settings中定义属性,也不抛出异常 env_file_encoding="utf-8",
env_prefix="",
case_sensitive=False,
)#Env Server SERVER_IP: str = "127.0.0.1"SERVER_PORT: int= 9000 #Env Database DB_NAME: str = "winframework"DB_USER: str= "root"DB_PASSWORD: str= "123456"DB_HOST: str= "localhost"DB_PORT: int= 3306DB_URI: str=(
f"mysql+pymysql://{DB_USER}:{DB_PASSWORD}@{DB_HOST}:{DB_PORT}/{DB_NAME}")
.............
还有对于一些常规的文件格式,如json格式,txt格式的文件处理,以及PDF文件、Excel文件、图片操作、声音处理、二维码处理等,都有不同的类库提供辅助处理,我们可以从中择优选择即可。
Python的世界丰富多彩,让我们一起探索并应用在实践当中。