


Ist __init__.py für Pakete in Python 3.3 wirklich nicht erforderlich?
Einführung
In Python können Sie durch das Erstellen von Paketen Ihre Pakete organisieren und modularisieren Code. Traditionell war für Pakete in jedem Verzeichnis eine leere Datei __init__.py erforderlich. In neueren Versionen von Python wurde jedoch ein neues Konzept namens Namespace-Pakete eingeführt, das diese Anforderung beseitigt. Lassen Sie uns untersuchen, wie dies die Landschaft der Paketerstellung verändert hat.
Namespace-Pakete
In Python 3.3 und höher ermöglichen Ihnen Namespace-Pakete, ein Paket ohne eine __init__.py-Datei zu definieren. Bei dieser Technik wird eine Verzeichnisstruktur erstellt, die dem Paketnamen entspricht. Sie können beispielsweise ein Paket mit dem Namen „mein_Paket“ erstellen, indem Sie einfach ein Verzeichnis mit diesem Namen erstellen.
Vorteile von Namespace-Paketen
- Vereinfachte Paketstruktur: Durch den Wegfall der Notwendigkeit leerer __init__.py-Dateien wird die Paketstruktur vereinfacht und reduziert Unordnung.
- Flexibler Namespace:Namespace-Pakete ermöglichen es Paketen, einen gemeinsamen Namespace zu teilen, sodass mehrere Standorte Submodule und Pakete beisteuern können.
Anwendungsfall: Gemeinsamer Namespace Pakete
Einer der Hauptanwendungsfälle für Namespace-Pakete besteht darin, dass mehrere Bibliotheken Module haben, die zum selben übergeordneten Paket beitragen. Durch die Verwendung von Namespace-Paketen können diese Bibliotheken einen gemeinsamen Namespace teilen und gleichzeitig ihre unabhängigen Verzeichnisse beibehalten.
Reguläre Pakete vs. Namespace-Pakete
Während Namespace-Pakete einige Vorteile bieten, ist es wichtig, den Unterschied zu verstehen zwischen ihnen und normalen Paketen, die eine __init__.py-Datei haben. Reguläre Pakete sind in sich abgeschlossen und alle ihre Teile befinden sich in einer einzigen Verzeichnishierarchie. Wenn beim Importieren eines regulären Pakets ein Unterverzeichnis gefunden wird, das eine __init__.py-Datei enthält, wird ein einzelnes Paket innerhalb dieses Verzeichnisses erstellt, Unterverzeichnisse außerhalb davon ausgenommen.
Fallstricke von Namespace-Paketen
Trotz ihrer Flexibilität, Namespace-Pakete können auch zu einigen Problemen führen:
- Python-Tools-Kompatibilität:Einige Python-Tools wie mypy und pytest erfordern leere __init__.py-Dateien für die ordnungsgemäße Interpretation der Codestruktur.
- Paketimporte : Namespace-Pakete basieren auf Verzeichnisnamen für die Importauflösung. Dies kann zu Namenskonflikten und unerwartetem Verhalten führen, wenn mehrere Verzeichnisse denselben Namen haben.
Fazit
Während Namespace-Pakete in Python 3.3 eine vereinfachte Paketstruktur und flexible Namensraumfreigabe bieten, ist dies der Fall entscheidend, um zu entscheiden, ob sie Ihren Projektanforderungen entsprechen. In den meisten Anwendungsfällen bleibt das Festhalten an regulären Paketen und die Verwendung leerer __init__.py-Dateien ein sicherer und effektiver Ansatz zum Organisieren und Importieren von Modulen.
Das obige ist der detaillierte Inhalt vonIst „__init__.py' für Python-Pakete in Version 3.3 und höher erforderlich?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

In diesem Artikel wird erklärt, wie man schöne Suppe, eine Python -Bibliothek, verwendet, um HTML zu analysieren. Es beschreibt gemeinsame Methoden wie find (), find_all (), select () und get_text () für die Datenextraktion, die Behandlung verschiedener HTML -Strukturen und -Anternativen (SEL)

Das Statistikmodul von Python bietet leistungsstarke Datenstatistikanalysefunktionen, mit denen wir die allgemeinen Merkmale von Daten wie Biostatistik und Geschäftsanalyse schnell verstehen können. Anstatt Datenpunkte nacheinander zu betrachten, schauen Sie sich nur Statistiken wie Mittelwert oder Varianz an, um Trends und Merkmale in den ursprünglichen Daten zu ermitteln, die möglicherweise ignoriert werden, und vergleichen Sie große Datensätze einfacher und effektiv. In diesem Tutorial wird erläutert, wie der Mittelwert berechnet und den Grad der Dispersion des Datensatzes gemessen wird. Sofern nicht anders angegeben, unterstützen alle Funktionen in diesem Modul die Berechnung der Mittelwert () -Funktion, anstatt einfach den Durchschnitt zu summieren. Es können auch schwimmende Punktzahlen verwendet werden. zufällig importieren Statistiken importieren Aus Fracti

Dieser Artikel vergleicht TensorFlow und Pytorch für Deep Learning. Es beschreibt die beteiligten Schritte: Datenvorbereitung, Modellbildung, Schulung, Bewertung und Bereitstellung. Wichtige Unterschiede zwischen den Frameworks, insbesondere bezüglich des rechnerischen Graps

Serialisierung und Deserialisierung von Python-Objekten sind Schlüsselaspekte eines nicht trivialen Programms. Wenn Sie etwas in einer Python -Datei speichern, führen Sie eine Objektserialisierung und Deserialisierung durch, wenn Sie die Konfigurationsdatei lesen oder auf eine HTTP -Anforderung antworten. In gewisser Weise sind Serialisierung und Deserialisierung die langweiligsten Dinge der Welt. Wen kümmert sich um all diese Formate und Protokolle? Sie möchten einige Python -Objekte bestehen oder streamen und sie zu einem späteren Zeitpunkt vollständig abrufen. Dies ist eine großartige Möglichkeit, die Welt auf konzeptioneller Ebene zu sehen. Auf praktischer Ebene können das von Ihnen ausgewählte Serialisierungsschema, Format oder Protokoll jedoch die Geschwindigkeit, Sicherheit, den Status der Wartungsfreiheit und andere Aspekte des Programms bestimmen

In dem Artikel werden beliebte Python-Bibliotheken wie Numpy, Pandas, Matplotlib, Scikit-Learn, TensorFlow, Django, Flask und Anfragen erörtert, die ihre Verwendung in wissenschaftlichen Computing, Datenanalyse, Visualisierung, maschinellem Lernen, Webentwicklung und h beschreiben

Dieser Artikel führt die Python-Entwickler in den Bauen von CLIS-Zeilen-Schnittstellen (CLIS). Es werden mit Bibliotheken wie Typer, Click und ArgParse beschrieben, die Eingabe-/Ausgabemedelung betonen und benutzerfreundliche Designmuster für eine verbesserte CLI-Usabilität fördern.

Dieses Tutorial baut auf der vorherigen Einführung in die schöne Suppe auf und konzentriert sich auf DOM -Manipulation über die einfache Baumnavigation hinaus. Wir werden effiziente Suchmethoden und -techniken zur Änderung der HTML -Struktur untersuchen. Eine gemeinsame DOM -Suchmethode ist Ex

Der Artikel erörtert die Rolle virtueller Umgebungen in Python und konzentriert sich auf die Verwaltung von Projektabhängigkeiten und die Vermeidung von Konflikten. Es beschreibt ihre Erstellung, Aktivierung und Vorteile bei der Verbesserung des Projektmanagements und zur Verringerung der Abhängigkeitsprobleme.


Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

EditPlus chinesische Crack-Version
Geringe Größe, Syntaxhervorhebung, unterstützt keine Code-Eingabeaufforderungsfunktion

Dreamweaver CS6
Visuelle Webentwicklungstools

WebStorm-Mac-Version
Nützliche JavaScript-Entwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

DVWA
Damn Vulnerable Web App (DVWA) ist eine PHP/MySQL-Webanwendung, die sehr anfällig ist. Seine Hauptziele bestehen darin, Sicherheitsexperten dabei zu helfen, ihre Fähigkeiten und Tools in einem rechtlichen Umfeld zu testen, Webentwicklern dabei zu helfen, den Prozess der Sicherung von Webanwendungen besser zu verstehen, und Lehrern/Schülern dabei zu helfen, in einer Unterrichtsumgebung Webanwendungen zu lehren/lernen Sicherheit. Das Ziel von DVWA besteht darin, einige der häufigsten Web-Schwachstellen über eine einfache und unkomplizierte Benutzeroberfläche mit unterschiedlichen Schwierigkeitsgraden zu üben. Bitte beachten Sie, dass diese Software
