Python

文法分析器描述了一個句子的文法結構，用來協助其他的應用進行推理。自然語言引入了很多意外的歧義，以我們對世界的瞭解可以迅速地發現這些歧義。舉一個我很喜歡的例子：正確的解析是串連“with”和“pizza”，而錯誤的解析將“with”和“eat”聯絡在了一起：過去的一些年，自然語言處理（NLP）社區在文法分析方面取得了很大的進展。現在，小小的 Python 實現可能比廣泛應用的 Stanford 解析器表現得更出色。文章剩下的部分首先設定了問題，接著帶你瞭解為此準備的簡潔實現。parser.py

眾所周知，Python的平行處理能力很不理想。我認為如果不考慮線程和GIL的標準參數（它們大多是合法的），其原因不是因為技術不到位，而是我們的使用方法不恰當。大多數關於Python線程和多進程的教材雖然都很出色，但是內容繁瑣冗長。它們的確在開篇鋪陳了許多有用資訊，但往往都不會涉及真正能提高日常工作的部分。經典例子DDG上以“Python threading tutorial

Iconfinder 是一個表徵圖搜尋引擎，為設計師、開發人員和其他創意工作者提供精美表徵圖，目前託管超過 34 萬枚表徵圖，是全球最大的付費表徵圖庫。使用者也可以在 Iconfinder 的交易板塊上傳出售原創作品。每個月都有成千上萬的表徵圖上傳到Iconfinder，同時也伴隨而來大量的盜版圖。Iconfinder 工程師 Silviu Tantos

(ob1 is ob2) 等價於 (id(ob1) == id(ob2))首先id函數可以獲得對象的記憶體位址，如果兩個對象的記憶體位址是一樣的，那麼這兩個對象肯定是一個對象。和is是等價的。Python原始碼為證。 static PyObject * cmp_outcome(int op, register PyObject *v, register PyObject *w){ int res = 0; switch (op) { case PyCmp_IS: res = (v == w);

本文有兩個目的: 一是講述實現電腦語言解譯器的通用方法，另外一點，著重展示如何使用Python來實現Lisp方言Scheme的一個子集。我將我的解譯器稱之為Lispy (lis.py)。幾年前，我介紹過如何使用Java編寫一個Scheme解譯器，同時我還使用Common Lisp語言編寫過一個版本。這一次，我的目的是儘可能簡單明了地示範一下Alan Kay所說的“軟體的麥克斯韋方程組” (Maxwell's Equations of

思考一下下面的程式碼片段： def foo(numbers=[]): numbers.append(9) print numbers在這裡，我們定義了一個 list （預設為空白），給它加入9並且列印出來。 >>> foo()[9]>>> foo(numbers=[1,2])[1, 2, 9]>>> foo(numbers=[1,2,3])[1, 2, 3, 9]看起來還行吧？可是當我們不輸入number 參數來調用 foo 函數時，神奇的事情發生了： >>> foo() # first

本文執行個體講述了python使用BeautifulSoup分析網頁資訊的方法。分享給大家供大家參考。具體如下：這段python代碼尋找網頁上的所有連結，分析所有的span標籤，並尋找class包含titletext的span的內容複製代碼 代碼如下:#import the library used to query a websiteimport urllib2#specify the url you want to queryurl =

這篇文章收集了我在Python新手開發人員寫的代碼中所見到的不規範但偶爾又很微妙的問題。本文的目的是為了協助那些新手開發人員渡過寫出醜陋的Python代碼的階段。為了照顧目標讀者，本文做了一些簡化（例如：在討論迭代器的時候忽略了產生器和強大的迭代工具itertools）。對於那些新手開發人員，總有一些使用反模式的理由，我已經嘗試在可能的地方給出了這些理由。但通常這些反模式會造成代碼缺乏可讀性、更容易出bug且不符合Python的代碼風格。如果你想要尋找更多的相關介紹資料，我極力推薦The

雖然並非你編寫的每個 Python 程式都要求一個嚴格的效能分析，但是讓人放心的是，當問題發生的時候，Python 生態圈有各種各樣的工具可以處理這類問題。剖析器的效能可以歸結為回答四個基本問題： 正啟動並執行多快 速度瓶頸在哪裡 記憶體使用量率是多少 記憶體泄露在哪裡下面，我們將用一些神奇的工具深入到這些問題的答案中去。用 time 粗粒度的計算時間讓我們開始通過使用一個快速和粗暴的方法計算我們的代碼:傳統的 unix time 工具。 $ time

如果不首先想想這句Knuth的名言，就開始進行最佳化工作是不明智的。可是，你很快寫出來加入一些特性的代碼，可能會很醜陋，你需要注意了。這篇文章就是為這時候準備的。那麼接下來就是一些很有用的工具和模式來快速最佳化Python。它的主要目的很簡單：儘快發現瓶頸，修複它們並且確認你修複了它們。寫一個測試在你開始最佳化前，寫一個進階測試來證明原來代碼很慢。你可能需要採用一些最小值資料集來複現它足夠慢。通常一兩個顯示運行時秒的程式就足夠處理一些改進的地方了。有一些基礎測試來保證你的最佳化沒有改變原有代碼的

web資料抓取是一個經常在python的討論中出現的主題。有很多方法可以用來進行web資料抓取，然而其中好像並沒有一個最好的辦法。有一些如scrapy這樣十分成熟的架構，更多的則是像mechanize這樣的輕量級庫。DIY自己的解決方案同樣十分流行：你可以使用requests、beautifulsoup或者pyquery來實現。方法如此多樣的原因在於，資料“抓取”實際上包括很多問題：你不需要使用相同的工具從成千上萬的頁面中抓取資料，同時使一些Web工作流程自動化（例如填一些表單然後取回資料）。我

操作：輸入帶分頁的地址，去掉最後面的數字，設定一下起始頁數和終點頁數功能：下載對應頁碼的所有頁面並儲存為HTML檔案，以目前時間命名代碼：# -*- coding: utf-8 -*- #----------------------------# 程式：百度貼吧的小爬蟲# 日期：2015/03/28# 語言：Python 2.7# 操作：輸入帶分頁的地址，去掉最後面的數字，設定一下起始頁數和終點頁數# 功能：下載對應頁碼的所有頁面並儲存為HTML檔案，以目前時間命名#---------

譯註：原文是StackOverflow上一個如何用程式讀取迷宮圖片並求解的問題，幾位參與者熱烈地討論並給出了自己的代碼，涉及到用Python對圖片的處理以及廣度優先(BFS)演算法等。問題by

我們將使用Python線程來解決Python中的生產者—消費者問題。這個問題完全不像他們在學校中說的那麼難。如果你對生產者—消費者問題有瞭解，看這篇部落格會更有意義。為什麼要關心生產者—消費者問題： 可以幫你更好地理解並發和不同概念的並發。 資訊隊列中的實現中，一定程度上使用了生產者—消費者問題的概念，而你某些時候必然會用到訊息佇列。當我們在使用線程時，你可以學習以下的線程概念： Condition：線程中的條件。

動態規劃是一種用來解決定義了一個狀態空間的問題的演算法策略。這些問題可分解為新的子問題，子問題有自己的參數。為瞭解決它們，我們必須搜尋這個狀態空間並且在每一步作決策時進行求值。得益於這類問題會有大量相同的狀態的這個事實，這種技術不會在解決重疊的子問題上浪費時間。正如我們看到的，它也會導致大量地使用遞迴，這通常會很有趣。為了說明這種演算法策略，我會用一個很好玩的問題來作為例子，這個問題是我最近參加的 一個編程競賽中的 Tuenti Challenge #4 中的第 14 個挑戰問題。Train

本文：本文展示一些進階的Python設計結構和它們的使用方法。在日常工作中，你可以根據需要選擇合適的資料結構，例如對快速尋找性的要求、對資料一致性的要求或是對索引的要求等，同時也可以將各種資料結構合適地結合在一起，從而產生具有邏輯性並易於理解的資料模型。Python的資料結構從句法上來看非常直觀，並且提供了大量的可選操作。這篇指南嘗試將大部分常用的資料結構知識放到一起，並且提供對其最佳用法的探討。推導式(Comprehensions)如果你已經使用了很長時間的Python，那麼你至少應該聽說過列

我們曾經提到，Oyster.com的Python web伺服器怎樣利用一個巨大的Python dicts（hash table），緩衝大量的靜態資源。我們最近在Image類中，用僅僅一行__slots__代碼，讓每個6G記憶體佔用的服務進程（共4個），省出超過2G來。這是其中一個伺服器在部署代碼前後的：我們alloc了大約一百萬個類似如下class的執行個體： class Image(object): def __init__(self, id, caption, url):

內涵：正則匹配，正則替換，頁面抓取，圖片儲存 。實用的第一次 Python 代碼 參考#!/usr/bin/env pythonimport urllibimport re x=0def getHtml(url): page = urllib.urlopen(url) html = page.read() return html def getImg(html): global x reg = 'alt=".+?" src="(.+?\.jpg)"' imgre =

翻譯自StackOverflow中一個關於Python異常處理的問答。問題：為什麼“except:pass”是一個不好的編程習慣？我時常在StackOverflow上看到有人評論關於except: pass的使用，他們都提到這是一個不好的Python編程習慣，應該避免。可我想知道為什嗎？有時候我並不在意出現的錯誤，而是只想讓我的程式繼續進行下去。就像這樣： try: somethingexcept:

在用BeautifulSoup進行抓取頁面的時候，會各種各樣的編碼錯誤。可以通過在beautifulsoup中指定字元編碼，解決問題。複製代碼 代碼如下:import urllib2 from BeautifulSoup import BeautifulSoup page = urllib2.urlopen('http://www.163.com'); soup = BeautifulSoup(page,from_encoding="gb2312") print