东东东尼君

日志是软件工程中最基础也是最重要的能力之一。无论是Web服务、AI应用、数据处理任务、自动化脚本、后台Worker，都离不开日志。Python标准库提供了logging。它功能强大，但实际工程使用中经常会遇到一些问题：

• 配置复杂
• 格式设置繁琐
• 文件滚动需要额外配置
• 多模块项目初始化麻烦

例如标准logging：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

import logging

logger = logging.getLogger(__name__)

logger.setLevel(logging.INFO)

handler = logging.FileHandler('app.log')

formatter = logging.Formatter('%(asctime)s - %(levelname)s - %(message)s')

handler.setFormatter(formatter)

logger.addHandler(handler)

logger.info("Application started")

简单记录一条日志到文件，需要很多代码。这也是为什么可以尝试用Loguru。

论文：You Only Look Once: Unified, Real-Time Object Detection

作者：Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi

论文地址：https://arxiv.org/pdf/1506.02640

Python诞生于1991年，经过30多年发展，已经成为：

• AI领域首选语言
• 数据科学事实标准
• Web开发重要生态
• 自动化脚本核心语言

但Python工程化一直存在一个问题：

代码开发体验优秀，但项目管理体验长期落后。

特别是在依赖管理方面。

在日常开发中CSV导入是一个比较常见的数据处理场景。例如：

• 用户信息导入
• 商品数据同步
• 日志分析
• 财务流水导入

很多项目开始都会写出类似下面的代码：

1
2
3
4
5
6
7
8
9

foreach(var line in FileReadLines(path))
{
  var user = Parse(line);

  if (!Validate(user))
    continue;

    await collection.InsertOneAsync(user);
}

数据只有几千条时，这段代码运行地非常流畅。然而，当数据增长到几十万甚至几百万条之后，问题便开始暴露出来：

• CPU利用率很低
• MongoDB写入速度跟不上
• IO长时间阻塞
• GC次数明显增加
• 导入时间从几秒增长到数十分钟

在阅读一些大型 C++ 项目源码时，经常会看到类似下面这样的代码：

1
2
3
4
5
6
7
8

class MyClass {
public:
  MyClass();
  ~MyClass();
private:
  class Impl;
  std::unique_ptr<Impl> impl_;
};

第一次看到这种写法，很多人都会疑惑：

• 为什么真正的数据成员不放在类里面？
• 为什么要多定义一个Impl类？
• 为什么析构函数要放到.cpp中实现？
• 这样设计有什么好处？

实际上，这就是C++中非常经典的Pimpl(Pointer to Implementation)设计模式。本文将从设计思想、实现方式、优缺点以及使用场景几个方面详细介绍Pimpl。

Hugo基于 Chroma 实现代码高亮，对 Go、Python、C++、Matlab 等主流语言都提供了开箱即用的支持。最近阅读机器视觉算法与应用 第2版 (Carsten Steger)时，需要在博客中展示 HDevelop 代码，却发现 Hugo 默认并不支持这种语言。与其退而求其次使用普通文本展示，不如直接扩展 Hugo 的语法高亮能力。因此本文记录整个实现过程，包括：

• Hugo如何找到对应的Lexer
• Chroma 的语法解析机制
• 如何新增一个HDevelop Lexer
• 最终让Hugo支持HDevelop代码高亮

在软件开发、系统运维和DevOps 等领域，有一个永远存在的问题：大量重复性的工作正在消耗工程师的时间。每天登录服务器、检查日志、修改配置、部署应用、整理数据、生成报告……这些事情单次并不复杂，但重复几十次、几百次之后，就变成了巨大的时间成本。PowerShell（pwsh）就是解决这类问题的工具之一。它不仅是一门脚本语言，更是一套现代化自动化平台。本文将从基础语法开始，一直到脚本工程实践，全面介绍如何使用 pwsh 构建可靠、高效的自动化工具。

如果你刚开始接触TypeScript，很容易停留在“写类型+tsc编译”的阶段。但在真实工程中，TypeScript从来不是一个“语言孤岛”，而是一整套工程体系。本文会带你从零搭建一个项目模板，覆盖完整工具链。

作为一名开发者，学习一门语言通常会经历几个阶段。最开始，我们关注的是：“这个功能怎么实现？”然后逐渐编程：“这个实现是否合理？”再进一步：“这个设计能否支撑未来几年的维护？”Python也是如此。初学阶段，我们学习变量、函数、类、模块，然后利用框架和库快速完成需求。但真正进入工程开发后，会遇到更多问题：

• 为什么有些代码难以测试？
• 为什么简单的修改会影响到整个系统？
• 为什么别人写的代码看起来更自然？
• 为什么同样的功能，有些实现更加高效？

这些问题的答案，往往隐藏在语言细节和工程实践中，Effective Python 编写高质量 Python 代码的 90 个有效方法便是一份Python工程实践指南。

流畅的Python是在Python社区较为知名的一本书。它不是基础入门书，而是一本答疑解惑的书。为什么Python这样设计？哪些能力是语言提供的？哪些模式是社区长期沉淀出来的？它不会告诉你如何写一个for循环，也不会教你如何调用某个 API。它关注的是 Python 代码背后的运行机制：

• 对象如何协作？
• 抽象如何建立？
• 语言特性如何组合？

读完这本书最大的变化，不是记住了更多 Python API，而是开始用 Python 的方式思考问题。这也是高级 Python 开发者和普通 Python 使用者之间的重要区别。

在Python项目中，我们经常会看到类似这样的代码：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

__all__ = [
    "Field",
    "FormRequest",
    "Item",
    "Request",
    "Selector",
    "Spider",
    "__version__",
    "version_info",
]

很多初学者会疑惑：

• __all__是做什么的？
• 为什么需要它？
• 和_xxx命名有什么区别？
• 大型项目为什么经常使用？

本文将从基础语法到工程实践，深入理解 Python 的__all__。