python3开发

不管你是否承认，人工智能已经爆发，你我早已是局中人。

不信？

当司机打开滴滴APP，靠说话输入目的地——这是语音识别；

当走进火车站，机器查验身份证——这是图像识别；

当你打开度秘APP，说想去一家不辣、好吃、人均消费100元左右的餐厅——这是自然语言处理。

人工智能火爆，人工智能第一语言Python疯长。

近日，Python官网静悄悄地发布了一条大消息：正式发布 Python 3.7.0！同时发布的还有Python 3.6.6稳定版。

Python官网宣布，正式发布Python 3.7.0。

全文如下：

2018年6月27日星期三Python 3.7.0现已推出（同时还有3.6.6版本）！代表Python开发社区和Python 3.7发布团队，我们很高兴地宣布Python 3.7.0现在可以使用了。Python 3.7.0是Python语言的最新功能版本，包含许多新的功能和优化。你可以在这里下载 Python 3.7.0：https://python.org/downloads/release/python-370/Python的大多数第三方库也应该尽快支持3.7.0软件包。有关3.7系列功能的更多信息，请参阅Python 3.7中的新功能文档。有关3.7.0中所做更改的详细信息，请参见其更改日志。3.7系列的维护版本将从2018年7月开始定期进行。我们希望您喜欢Python 3.7！另附：我们也很高兴地宣布，Python 3.6.6的下一个维护版本Python 3.6可以使用了：https://python.org/downloads/release/python-366/感谢所有帮助Python开发和这些发布的志愿者！欢迎通过志愿或组织捐赠支持Python软件基金会的工作。

Python 3.7.0 重大功能改进

那么，这次新发布的Python 3.7.0 有哪些重要的改进呢？总的来说，

新的syntax功能：

PEP 563，推迟了类型注释（type annotations）的评估

向后不兼容的syntax更改：

async 和 await 现在是保留关键词

新的库模块：

contextvars：PEP 567 - 上下文变量dataclasse：PEP 557 - 数据类importlib.resources

新的内置功能：

PEP 553，新的 breakpoint() 函数

Python 数据模型改进：

PEP 562，定制访问模块属性PEP 560，核心支持 typing module 和 generic typesdict 对象的插入顺序保存性质被纳入Python官方语言规范

标准库的重大改进：

asyncio 模块增加了新功能，提高了可用性和性能time 模块新增纳秒级函数支持，新函数将纳秒数作为整数值返回

CPython 部署改进：

避免使用 ASCII 作为默认文本编码PEP 552，deterministic .pycs新的 runtime 模式PEP 565，改进了 DeprecationWarning 处理

C API 改进：

PEP 539，用于线程本地存储的新C API

文档改进：

PEP 545，Python文档翻译新增日语、法语和韩语文档

Python 3.7.0 新增特性

那么，接下来详细看看这些功能。

PEP 563：推迟对注释语句的评估

Python的类型提示有两个明显的可用性问题：

注释只能使用当前范围内已有的名称，换句话说，它们不支持任何类型的前向引用; 注释源代码对Python程序的启动时间有不利影响。

通过推迟注释评估可以解决这两个问题。编译器不是编译在定义时在注释中执行表达式的代码，而是将注释以字符串形式存储。如果需要，可以使用typing.get_type_hints（）在运行时解析注释。在不需要解析的常见情况下，注释的存储成本更低，并且启动时间更快。

PEP 538：C语言环境强制

Python 3系列中的一个持续的挑战是确定一种合理的默认策略，用于处理目前在非Windows平台上使用默认C或POSIX语言环境的“7-bit ASCII”文本编码假设。

PEP 538更新默认解释器命令行界面，自动将该语言环境强制转换为可用的基于UTF-8的语言环境。自动设置LC_CTYPE意味着核心解释器和C扩展（例如readline）将假设使用UTF-8作为默认文本编码，而不是ASCII。

PEP 540：强制UTF-8 Runtime 模式

新的-X utf8命令行选项和PYTHONUTF8环境变量可用于启用CPython UTF-8模式。

PEP 553：内置breakpoint()

Python 3.7新增了内置函数breakpoint()，作为进入Python调试器的简单而一致的方式。

PEP 539：新增用于线程本地存储的C API

虽然Python为线程本地存储支持提供了一个C API; 但现有的线程本地存储（TLS）API使用int来表示所有平台上的TLS密钥，但这既不符合POSIX标准，也不具备任何实际意义上的便携性。

PEP 539通过向CPython提供新的线程本地存储（TSS）API来改变这一点，该API取代了在CPython解释器中使用现有TLS API，同时弃用现有API。TSS API使用新类型Py_tss_t而不是int来表示TSS密钥，这将允许在本地TLS密钥定义的平台上构建CPython。

PEP 562：定制对模块属性的访问

Python 3.7支持在模块上定义__getattr __（），并且只要没有找到模块属性就会调用它。也允许在模块上定义__dir __（）。

PEP 564：time 内置函数支持纳秒

为了避免精度损失，PEP 564在timemodule添加了六个新“纳秒”（nanosecond）变量：

time.clock_gettime_ns（）time.clock_settime_ns（）time.monotonic_ns（）time.perf_counter_ns（）time.process_time_ns（）time.time_ns（）

PEP 565：在__main__中默认显示DeprecationWarning

DeprecationWarning的默认处理已更改，以便默认情况下再次显示这些警告，但仅当触发它们的代码直接在__main__模块中运行时才会显示。

PEP 560：新增支持类型模块和泛型

PEP引入了两种特殊方法__class_getitem __（）和__mro_entries__，这些方法现在被大多数类和特殊构造用于输入。结果，不同类型的各种操作的速度提高了7倍，可以使用泛型而没有元类冲突，并且修改了类型模块中长期存在的一些bug。

PEP 552：基于哈希的.pyc文件

PEP 552扩展了pyc格式，允许源文件的哈希值用于invalidation，而不是源timestamp。这种.pyc文件称为“hash-based”。默认情况下，Python仍然使用基于时间戳的invalidation，并且不会在运行时生成基于哈希的.pyc文件。可以使用py_compile或compileall生成基于哈希的.pyc文件。

PEP 545：Python文档翻译

PEP 545描述了创建和维护Python文档翻译的过程。添加了三种语言的翻译：

日本：https://docs.python.org/ja/

法语：https://docs.python.org/fr/

韩国：https://docs.python.org/ko/

开发运行时模式：-X dev

新的-X dev命令行选项或newPYTHONDEVMODE环境变量可用于启用CPython的开发模式。在开发模式下，CPython执行额外的运行时检查，这些检查无法在默认情况下启用。

性能提升及文档下载

根据官方文档表示，新升级的各种优化使 Linux 上的 Python 启动时间减少了 10％，而 macOS 上的启动时间更是减少了 30％。

由于字节码更改，方法调用现在可以快 20％。

由于PEP 560工作，typing 导入时间减少了 7 倍，现在许多 typing 操作也更快。

等等优化，还有更多。

Python官网有非常全面的文档：

也列出了转换为新版本会遇到的问题和应对方法：

下载地址

Python 3.7.0 下载地址为：https://python.org/downloads/

如何创建一个Linux虚拟机用于Python 3的机器学习开发推广视频课程

易辰

前言

Linux是用Python进行机器学习，人工智能开发的极好环境。

在本教程中，您将了解如何创建和设置用于使用Python进行机器学习的Linux虚拟机。

完成本教程后，您将知道：

如何下载和安装VirtualBox来管理虚拟机。如何下载和安装Fedora Linux。如何在Python 3中安装用于机器学习的SciPy环境。

如果您的基本操作系统是Windows，Mac OS X和Linux，本教程适用于你，让我们开始吧。

Linux虚拟机的好处

有很多原因可能需要使用Linux虚拟机进行Python机器学习开发。

例如，下面列出了使用虚拟机的五大优点：

要使用系统上不可用的工具（如果您在Windows上）。在不影响本地环境的情况下安装和使用机器学习工具（例如使用Python 3工具）。为不同项目（Python2和Python3）提供高度自定义的环境。要保存机器的状态并准确地拿起你离开的地方（从机器跳到机器）。与其他开发人员共享开发环境（设置一次并多次重复使用）。

也许最有利的一点是能够轻松使用您的环境不支持的机器学习工具。

我是OS X用户，尽管可以使用brew，pip和macports安装机器学习工具，但我仍然发现安装和使用Linux虚拟机进行机器学习开发更容易。

概要

本教程分为三部分：

下载并安装VirtualBox。在虚拟机中下载并安装Fedora Linux。安装Python机器学习环境

下载并安装VirtualBox

VirtualBox是用于创建和管理虚拟机的免费开源平台。

一旦安装完成，您可以创建所有您喜欢的虚拟机，只要您具有要从其安装的ISO映像或CD即可。

访问VirtualBox.org https://virtualbox.org/。单击“下载VirtualBox”访问下载页面 https://virtualbox.org/wiki/Downloads。

3.为您的工作站选择二进制文件。

4.为您的系统安装软件并按照安装说明进行操作。

下载并安装Fedora Linux

我选择了Fedora Linux，因为我认为它比一些Linux更友善，更温和。它是面向工作站和开发人员的RedHat Linux的领先优势。

下载Fedora ISO映像

首先下载Fedora Linux的ISO文件。在这种情况下，Fedora 25的64位版本。

1.访问GetFedora.org https://getfedora.org/。

2.单击“Workstation”访问Workstation页面 https://getfedora.org/en/workstation/。

3.点击“立即下载”进入下载页面 https://getfedora.org/en/workstation/download/。

4.在“其他下载”下点击“64位1.3GB Live镜像”

5.你现在应该有一个名字为ISO的文件：

“Fedora的工作站的Live-x86_64-25-1.3.iso”。

我们现在准备在VirtualBox中创建VM。

创建Fedora虚拟机

现在，让我们在VirtualBox中创建Fedora虚拟机。

1.打开VirtualBox软件。

2.点击“新建”按钮。

3.选择名称和操作系统。

名称：Fedora25

键入：Linux

版本：Fedora（64位）

点击“继续”

4.配置内存大小

2048

5.配置硬盘

现在创建一个虚拟硬盘

硬盘文件类型： VDI（VirtualBox磁盘映像）存储在物理硬盘上

动态分配文件位置和大小：10GB

我们现在准备从ISO映像安装Fedora。

安装Fedora Linux

现在，让我们在新的虚拟机上安装Fedora Linux。

1.选择新的虚拟机，然后单击“开始”按钮。

2.单击文件夹图标并选择Fedora ISO文件：

“Fedora的工作站的Live-x86_64-25-1.3.iso”。

3.点击“开始”按钮。

4.选择第一个选项“启动Fedora-Live-Workstation-Live 25”并按Enter键。

5.按“Esc”键跳过检查。

6.选择“Live System User”。

7.选择“安装到硬盘驱动器”。

8.完成“语言选择”（英语）

9.完成“安装目的地”（“ATA VBOX HARDDISK”）。

您可能需要等待一分钟让VM创建硬盘。

10.单击“开始安装”。

11.设置root密码。

12.为自己创建一个用户。

记下用户名和密码（以便以后可以使用它）。

勾选“设置此用户管理员”（以便您可以安装软件）。

13.等待安装完成...（5分钟？）

14.点击“退出”，点击右上角的电源图标; 选择关闭电源。

安装Python机器学习环境

Fedora使用Gnome 3 https://en.wikipedia.org/wiki/GNOME作为窗口管理器。

Gnome 3与之前的Gnome版本完全不同; 您可以通过使用内置的帮助系统了解如何解决问题。

安装Python环境

首先安装所需的Python库进行机器学习开发。

1.打开终端。

点击“Activities”

键入“terminal”

点击图标或按回车

2.确认Python3已安装，键入：

python3 --version

3.安装Python机器学习环境。特别是：

NumPySciPyPandasMatplotlibStatsmodelsScikit-Learn

DNF(https://en.wikipedia.org/wiki/DNF_(software))是软件安装系统，正式是yum。第一次运行dnf时，它会更新软件包的数据库，这可能需要一分钟。

键入：

sudo dnf install python3-numpy python3-scipy python3-scikit-learn python3-pandas python3-matplotlib python3-statsmodels

出现提示时输入您的密码，按“y”和“enter”确认安装。

确认你的环境

执行下列Python脚本 version.py：

# scipyimport scipyprint('scipy: %s' % scipy.__version__)# numpyimport numpyprint('numpy: %s' % numpy.__version__)# matplotlibimport matplotlibprint('matplotlib: %s' % matplotlib.__version__)# pandasimport pandasprint('pandas: %s' % pandas.__version__)# scikit-learnimport sklearnprint('sklearn: %s' % sklearn.__version__)# statsmodelsimport statsmodelsprint('statsmodels: %s' % statsmodels.__version__)

键入：

python3 versions.py

结果如下：scipy: 1.0.0numpy: 1.14.0matplotlib: 2.1.2pandas: 0.22.0statsmodels: 0.8.0sklearn: 0.19.1

如果得到上面的结果，恭喜你，你的Linux机器学习Python开发环境建立完毕。

机器学习入门参考

请参考下列两篇文章，进行你的机器学习，人工智能入门！

https://toutiao/i6529328389931663875/https://toutiao/i6529678762655613444/

原文地址： https://machinelearningmastery/linux-virtual-machine-machine-learning-development-python-3/

@Python 开发者，如何更加高效地编写代码？行业视频课程

萧书桃

对于 Python 开发者而言，Anaconda 能省下大量时间下载和安装模块包、处理项目环境等问题，帮助开发者更加愉快地编写代码。

如果你苦于给 Python 安装各种包，安装过程中还各种出错。那么我墙裂推荐——Anaconda，它可以帮助你管理这些包，包括安装、卸载、更新。

Anaconda 附带一大批常用数据科学包，如：conda，Python 等 150 多个学科包以及依赖项，你可以立即开始处理数据。

还有一个好处就是：如果你的项目是 Python 2，新项目是 Python 3，你无需同时安装两个版本 Python，Anaconda 会帮助你为不同的项目建立不同的运行环境。

Anaconda 的安装

版本选择

由于 Python 有 2 和 3 两个版本，因此 Anaconda 也在 Python2 和 Python3 的基础上推出了两个发行版，即Anaconda2 和 Anaconda3。Python3 被越来越多的开发者所接受，但让人尴尬的是很多遗留老系统依旧运行在 Python2 环境中，因此你不得不同时在两个版本中进行开发、调试。

如何在系统中同时共存 Python2 和 Python3 是开发者不得不面对的问题，Anaconda 能完美解决 Python2 和 Python3 的共存问题。

conda 是 Anaconda 下用于包管理和环境管理的命令行工具，是 pip 和 vitualenv 的组合。安装成功后 conda 会默认加入到环境变量中，因此可直接在命令行窗口运行 conda 命令。

如果你熟悉 virtualenv，那么上手 conda 非常容易，不熟悉 virtulenv 的也没关系，它提供的命令就几个，非常简单。我们可以利用 conda 的虚拟环境管理功能在 Python2 和 Python3 之间自由切换。

多版本切换

# 基于 python3.6 创建一个名为 test_py3 的环境conda create --name test_py3 python=3.6# 基于 python2.7 创建一个名为 test_py2 的环境conda create --name test_py2 python=2.7# 激活 test 环境activate test_py2 # windowssource activate test_py2 # linux/mac# 切换到python3activate test_py3快速安装

Anaconda 可用于多个平台（ Windows、Mac OS X 和 Linux）。

官网地址：https://continuum.io/downloads。官网下载需要科学上网，此外我给你们准备了镜像网站：https://mirrors.tuna.tsinghua.edu/help/anaconda/，方便你们下载。

选择合适自己的版本下载，建议下载 Python 3。

下载好以后你只需要傻瓜式的安装即可。

第一个 Python 代码

启动 Anaconda 之后，你会看到这样的界面，我推荐使用 jupyter notebook 编写，点击 launch。

jupyter notebook 打开的是一个网址形式的界面，点击右上角的 new 创建第一个 Python 文件吧。

jupyter 支持很多种文本格式，code、markdown、Raw NBConvert、Heading。

常用的就是 code 和 markdown了，你可以同时在一个 Python 文件中写 code 和 md。你也可以直接用 jupyter 打开。

经过几天的学习，我已经写了部分 Python 的入门博客和代码，在 Github 上，你更是可以直接将代码打开运行在 Anaconda 上。图示中的 .ipynb 文件就是 jupter 文件的扩展名，你可以直接运行，也可以编辑。欢迎 follow 和 star——https://github/angelOnly/python_learning_note。

Spyder VS PyCharm

Spyder 是 Anaconda 自带的一款编辑器。

相比较而言，Pycharm 用起来更便捷，虽然 Spyder 中所有的变量也都能显示，方便调试，里边还有 ipython notebook。但是很细节的一些代码还是 Pycharm 更便捷一些。

强烈推荐 Anaconda+Pycharm 组合。因为 Anaconda 安装的时候已经默认为你安装了一大堆做数据分析常用的包，所以，直接在 Pycharm 中把默认解释器改为 Anaconda 中的 Python 即可。

另外，只是针对数据分析与机器学习，Anaconda 用起来更方便一些，对于 Python 的其他用途，比如爬虫、Web开发，Pycharm 更好一些。针对大型的 Web 框架修改调试，还是需要个大型 IDE。

声明：本文为 Python 梦工厂投稿，版权归对方所有。

Learn Python 3：Flask Web开发小记，大神超详细总结，三天学会流量视频课程

詹妮弗

最近看了Flask Web开发：基于Python的Web应用开发实战，书中详细介绍了Web程序的开发、测试、部署过程，值得一读！我在书中例子的基础上做了些更改，实现了一个简单的个人博客：NiceBlog，仅作为个人学习，还有许多不足的地方待完善，这里做一些简单的记录，方便以后查阅

大家如果喜欢我们文章，可以在小编的学习平台学习，可以在评论区获取

也希望看到积极留言

一、功能

1、对于普通用户，主要有如下功能：

2、对于管理员，除了有普通用户的功能，主要有如下功能：

写文章（Markdown编辑）用户权限管理（管理喜欢、评论的权限）评论管理（删除、屏蔽）

3、为移动端提供相关api接口

二、项目结构

三、实现

1、工厂函数

一个简单的Flask Web程序可以写在单文件中，

test.py

：

app = Flask(__name__)# 定义的路由@app.route('/')def index():return '

Hello World!

'if __name__ == '__main__':app.run()

但是执行程序时，由于在全局作用域创建导致无法动态修改配置，也导致了单元测试时无法在不同配置环境运行程序。所以可以把程序的创建转移到可显示调用的工厂函数中，也就是前边项目结构中的

__init__.py

，在工厂函数中导入需要的Flask扩展：

def create_app(config_name):app = Flask(__name__) # 导致指定的配置对象 app.config.from_object(config[config_name]) # 调用config.py的init_app() config[config_name].init_app(app) # 初始化扩展 bootstrap.init_app(app) mail.init_app(app) moment.init_app(app) db.init_app(app) login_manager.init_app(app) pagedown.init_app(app) return app

2、蓝本

新的问题来了，使用工厂函数后，程序在运行时创建，而不是在全局作用域，必须等到执行

create_app()

后才能使用

@app.route()

首先看一下

__init__.py

：

# 两个参数分别指定蓝本的名字、蓝本所在的包或模块（使用 __name__即可）main = Blueprint('main', __name__)# 导入路由模块、错误处理模块，将其和蓝本关联起来# 在蓝本的末尾导入在两个模块里还要导入蓝本，防止循环导入依赖from app.main import views, errors

2.1、表单

forms.py

是当前蓝本中的表单，项目中使用了

FlaskForm

，可以方便的完成表单校验，例如创建、编辑文章的表单：

class BlogForm(FlaskForm):title = StringField('请输入文章标题', validators=[DataRequired(), Length(1, 128)]) labels = StringField('文章标签（标签之间用空格隔开）', validators=[DataRequired()]) summary = TextAreaField('文章概要', validators=[DataRequired()]) content = TextAreaField('文章内容', validators=[DataRequired()]) preview = TextAreaField('文章预览', validators=[DataRequired()]) publish = SubmitField('发布') save = SubmitField('保存')

2.2、路由

views.py

就是在蓝本中定义的路由，例如主页的路由：

@main.route('/create-blog', methods=['GET', 'POST'])@admin_requireddef create_blog():""" 写新文章 """ form = BlogForm() if form.validate_on_submit(): blog = None if form.publish.data: # 发布 elif form.save.data: # 保存草稿 return redirect(url_for('main.index')) return render_template('markdown_editor.html', form=form, type='create')

注意装饰器为当前蓝本的名字

main

，而不是之前的

app

。

create_blog()

称为视图函数，一个路由保存了URL到视图函数的映射关系。

redirect(url_for('main.index'))

代表重定向到主页，

url_for()

的参数为要跳转到的URL对应的视图函数名，但需要加上视图函数所在的蓝本名，即

main.index

。

render_template()

是Flask提供的函数，把

Jinja2

模板引擎集成到了程序中，第一个参数是模板名称对应一个html文件，即执行该视图函数后最终要渲染的页面，后边的参数为传递给模板的参数。

2.3、错误处理

errors.py

是蓝本中的错误处理程序，例如：

@main.app_errorhandler(404)def page_not_found(e):if request.url.find('api') != -1: return jsonify({'error': '请求的资源不存在', 'code': '404', 'data': ''}) return render_template('error/404.html'), 404

如果使用

@main.errorhandler

装饰器只有当前蓝本的错误才能触发，为了使其他错误也能触发所以使用了

@main.app_errorhandler

装饰器

2.4、注册蓝本

其它蓝本的定义也类似，最后需要在工厂函数中重注册蓝本，例如：

def create_app(config_name):# ...... # 注册main蓝本 from app.main import main as main_blueprint app.register_blueprint(main_blueprint) # 注册auth蓝本 from app.auth import auth as auth_blueprint # 使用url_prefix注册后，蓝本中定义的所有路由都会加上指定前缀，/login --> /auth/login app.register_blueprint(auth_blueprint, url_prefix='/auth') return app

3、前端

3.1、Jinja2

Flask使用

Jinja2

作为模板引擎，模板是一个包含响应文本的HTML文件，其中包含只有在请求的上下文才知道的动态占位变量。默认情况下，模板保存在

templates

目录。

在

Jinja2

模板中

代表一个变量（注意变量名两边有一个空格，可以识别任意类型的变量），从渲染模板时使用的数据中获取。如果变量的值是HTML，由于转义的原因导致浏览器不能正常显示HTML代码，所以需要使用

safe

过滤器，例如文章详情的HTML显示就需要这样处理，过滤器写在变量名后用竖线隔开

Jinja2

中用

{% 控制语句 %}

代表控制结构来改变模板的渲染流程，例如：

# 条件控制{% if xxx %}

Android

{% else %}

iOS

{% endif %}

# for循环{% for x in xs %}

{% endfor %}

# 导入{% import 'xxx.html' %}

# 包含{% include 'xxx.html' %}

导入、包含的目的都是为了复用，还可以通过继承实现复用，类似于类的继承：

# 继承{% extends "base.html" %}

通过继承，模板中重复的代码都可以写在父模板里，例如导航条和页面底部footer就可以放在父模板里。

3.2、Bootstrap

前端使用了Bootstrap框架，它提供了良好的CSS规范，可以帮助我们更好的美化界面，具体的可参考：https://v3.bootcss/，要在项目中集成它可以使用Flask的

Flask-Bootstrap

扩展，直接在PyCharm安装，并在工厂函数中初始化，还要让项目的父模板继承Bootstrap的基类模板：

# common_base.html{% extends "bootstrap/base.html" %}

Bootstrap的基类模板

base.html

提供了一个网页框架，包含了Bootstrap中的所有CSS和JS文件。除此之外基类模板还定义了许多可在其子类模板中重定义的块，使用格式如下：

{% block 块名称 %}{% endblock %}

常用的块如下：

块名称

含义

head标签中的内容

title

标签中的内容

body标签中的内容

stylescss样式单的定义

navbar自定义的导航条

content自定义的页面内容

page_content定义content在内部

scriptsJS声明，一般在模板尾部

注意如在子模板在模板已有的块中添加新内容，需要使用

super()

函数：

{% block scripts %}{{ super() }} {% endblock %}

3.3、Flask-WTF

在2.1中我们已经看到了用

Flask-WTF

定义表单的方式，即自定义的表单类继承

FlaskForm

类，并添加需要的类变量，

Flask-WTF

定义了许多标准字段可以被渲染成指定的表单类HTML标签，例如：

字段名

对应的H5标签

StringField文本框

TextAreaField多行文本框

PasswordField密码输入框

BooleanField复选框

SubmitField表单提交按钮

同时

Flask-WTF

还提供了许多常用的表单校验函数，例如：

Email()

、

EqualTo()

、

DataRequired()

、

Length()

等等，当点击提交按钮时，会自动校验表单是否满足预定义的条件。

在2.2中，我们通过参数把表单类的实例同步

form

参数传入模板：

render_template('markdown_editor.html', form=form, type='create')

在模板中可以通过如下方式生表单（只保留了部分核心代码）：

{{ form.hidden_tag() }} {{ form.title(id="title", class="form-control editor-blog-title", placeholder=form.title.label.text) }} {{ form.labels(class="form-control editor-blog-area", placeholder=form.labels.label.text) }} {{ form.summary(class="form-control editor-blog-area", placeholder=form.summary.label.text, rows=3) }} {{ form.publish(class="btn btn-info") }} {{ form.save(class="btn btn-success") }}

这样的好处是我们能自定义表单的样式等等，但是工作量蛮大的，如果对表单样式没有特殊的需求，Bootstrap中的表单样式可以满足需求，可以通过

Flask-Bootstrap

提供的辅助函数快速的渲染表单，只需要如下两步：

{% import "bootstrap/wtf.html" as wtf %}{{ wtf.quick_form(form) }}

例如登录的H5模板就是这样做的。

form.hidden_tag()

模板参数将被替换为一个隐藏字段，用来实现在配置中激活的 CSRF 保护。如果你已经激活了CSRF，这个字段需要出现在你所有的表单中。

在2.2中，如果点击表单提交按钮，所有的表单都能成功通过校验，则

form.validate_on_submit()

的值为

True

，否则校验失败，网页会出现对应提示。如果有两个提交按钮，那么在校验成功后，还需要判断点击的是哪个按钮，否则所有的按钮都执行了同一个操作。例如我们的文章发布和保存按钮，当表单类中的按钮字段的

data

属性为

True

则代表该按钮被点击，例如：

if form.publish.data: # 发布elif form.save.data: # 保存草稿

3.4、jQuery

有些页面需要在相关操作后修改控件的CSS样式，例如文章详情的喜欢和取消喜欢按钮，最简单的方式是操作成功后直接刷新整个页面，但这样体验并不好，更好的方式是局部刷新。这里直接使用jQuery（Bootstrap也提供了类似的操作，同时包含了jQuery，不需要单独导入jQuery）来实现。使用

jQuery

强大的选择器功能可以方便的得到要操作的

DOM节点

，按钮的点击也是发起一个请求，

jQuery

也集成了

ajax

，可以方便的处理请求，在请求完成后根据响应结果来更改

DOM节点

的样式。看下按钮的点击事件：

favourite = function (id) { if ($('.blog-favourite-btn').length > 0) {//取消喜欢$.get('/manage/blog/cancel_favourite', { id: id }).done(function (data) { $('.blog-favourite-btn span').removeClass('glyphicon-heart').addClass('glyphicon-heart-empty'); $('.blog-favourite-btn').removeClass('blog-favourite-btn').addClass('blog-unfavourite-btn'); }) } else if ($('.blog-unfavourite-btn').length > 0) {//喜欢 $.get('/manage/blog/favourite', { id: id }).done(function (data) { if ('200' === data) { $('.blog-unfavourite-btn span').removeClass('glyphicon-heart-empty').addClass('glyphicon-heart'); $('.blog-unfavourite-btn').removeClass('blog-unfavourite-btn').addClass('blog-favourite-btn'); } if ('403' === data) { alert('没有操作权限'); } }) } }

4、Markdown

书中使用的是

Flask-PageDown

、

Markdown

两个库来实现对Markdown功能的支持，但是不够理想，有些Markdown语法并不能很好的支持，例如

Flask-PageDown

实时预览时并不支持代码块和表格等。最后使用了marked这个库，它是一个全功能的Markdown解析器和编译器，用JavaScript编写，构建速度快，其实就是实时将用Markdown语法编辑的内容转换成对应的HTML预览，但是没有CSS样式的HTML还是有点丑，github-markdown-css是一个不错的选择，可以帮助我们实现github风格的Markdwon预览。既然是要编辑文章那么直接使用HTML里的

肯定难以实现理想的效果，这里使用了ace，它是一个用JavaScript编写的独立代码编辑器，下载

...

@Python 开发者，如何更加高效地编写代码？流量视频课程

Malcolm

对于 Python 开发者而言，Anaconda 能省下大量时间下载和安装模块包、处理项目环境等问题，帮助开发者更加愉快地编写代码。

如果你苦于给 Python 安装各种包，安装过程中还各种出错。那么我墙裂推荐——Anaconda，它可以帮助你管理这些包，包括安装、卸载、更新。

Anaconda 附带一大批常用数据科学包，如：conda，Python 等 150 多个学科包以及依赖项，你可以立即开始处理数据。

还有一个好处就是：如果你的项目是 Python 2，新项目是 Python 3，你无需同时安装两个版本 Python，Anaconda 会帮助你为不同的项目建立不同的运行环境。

Anaconda 的安装

版本选择

如何在系统中同时共存 Python2 和 Python3 是开发者不得不面对的问题，Anaconda 能完美解决 Python2 和 Python3 的共存问题。

多版本切换

Anaconda 可用于多个平台（ Windows、Mac OS X 和 Linux）。

官网地址：https://continuum.io/downloads。官网下载需要科学上网，此外我给你们准备了镜像网站：https://mirrors.tuna.tsinghua.edu/help/anaconda/，方便你们下载。

选择合适自己的版本下载，建议下载 Python 3。

下载好以后你只需要傻瓜式的安装即可。

第一个 Python 代码

启动 Anaconda 之后，你会看到这样的界面，我推荐使用 jupyter notebook 编写，点击 launch。

jupyter notebook 打开的是一个网址形式的界面，点击右上角的 new 创建第一个 Python 文件吧。

jupyter 支持很多种文本格式，code、markdown、Raw NBConvert、Heading。

常用的就是 code 和 markdown了，你可以同时在一个 Python 文件中写 code 和 md。你也可以直接用 jupyter 打开。

Spyder VS PyCharm

Spyder 是 Anaconda 自带的一款编辑器。

声明：本文为 Python 梦工厂投稿，版权归对方所有。