来源：网络

以前写文件路径，很多人习惯用 os.path。

它当然能用，但代码经常会变得比较碎：拼路径、判断目录、创建文件夹、读写文件，都要分开处理。

pathlib 的好处是把路径当成对象。

路径拼接、目录创建、文件读写都能用更直观的方式完成。

代码开始：

from pathlib import Path

p = Path("data") / "result.txt"

p.parent.mkdir(exist_ok=True)

p.write_text("Hello, Python!", encoding="utf-8")

代码结束。

这段代码完成了三件事：

定位 data/result.txt；

确保 data 目录存在；

把文本写入文件。

相比手动拼字符串，Path 对象更清晰，也更不容易写错路径分隔符。

常用方法还包括：

glob()：按规则查找文件。

iterdir()：遍历目录内容。

exists()：判断路径是否存在。

read_text()：读取文本文件。

write_text()：写入文本文件。

调试阶段用 print 很方便。

但项目一旦变复杂，print 就会开始失控：

不知道信息级别；

不方便写入文件；

上线前删来删去；

出错后很难追踪上下文。

logging 更适合做正式日志。

它支持 DEBUG、INFO、WARNING、ERROR、CRITICAL 等不同级别，也可以把日志写到文件中。

代码开始：

import logging

logging.basicConfig(

    level=logging.INFO,

    filename="app.log",

    format="%(asctime)s %(levelname)s: %(message)s"

)

logging.info("程序启动")

代码结束。

运行后，日志会按指定格式写入 app.log。

当你想排查程序什么时候启动、哪里报错、执行到了哪一步时，logging 会比 print 稳太多。

很多脚本最开始只是临时工具。

后来参数越来越多，就开始在 sys.argv 里手动拆字符串。

这种写法很容易乱。

argparse 可以帮你优雅地处理命令行参数。

它自带帮助说明，支持默认值、必填参数、可选参数和类型转换。

代码开始：

import argparse

parser = argparse.ArgumentParser()

parser.add_argument("input", help="输入文件路径")

parser.add_argument("-o", "--output", default="out.txt")

args = parser.parse_args()

print(args.input, args.output)

代码结束。

运行：

python script.py -h

命令行会自动生成帮助说明。

这对经常写数据处理脚本、自动化脚本的人非常实用。

Python 标准库里藏着很多好东西。

其中 collections 和 itertools 是非常值得熟悉的两组工具。

collections 提供了很多增强型数据结构，例如：

Counter：计数器。

defaultdict：带默认值的字典。

deque：高效双端队列。

namedtuple：轻量级结构化对象。

比如统计列表中出现最多的元素：

代码开始：

from collections import Counter

words = ["apple", "banana", "apple", "pear"]

print(Counter(words).most_common(1))

代码结束。

输出结果：

[("apple", 2)]

itertools 则适合处理迭代任务。

常见工具包括：

chain：拼接多个可迭代对象。

groupby：按规则分组。

combinations：生成组合。

product：生成笛卡尔积。

用好这两个库，可以少写很多临时变量和嵌套循环。

如果你要批量请求网页、处理文件、下载数据，串行执行通常很慢。

自己写 threading 或 multiprocessing 又容易写复杂。

concurrent.futures 提供了更统一的并发接口。

如果是 I/O 密集任务，可以用 ThreadPoolExecutor。

代码开始：

from concurrent.futures import ThreadPoolExecutor

with ThreadPoolExecutor(max_workers=5) as pool:

    futures = [pool.submit(fetch, url) for url in urls]

    for future in futures:

        print(future.result())

代码结束。

如果是 CPU 密集任务，可以考虑 ProcessPoolExecutor。

这套接口的好处是：

提交任务简单；

获取结果统一；

线程池和进程池切换成本低。

写项目时，不建议把所有配置都硬编码在代码里。

更好的方式是把配置放在 JSON 或 YAML 文件中。

json 是 Python 标准库，适合数据交换。

yaml 通常通过 PyYAML 使用，适合写配置文件，可读性更强。

代码开始：

import json

import yaml

data = {

    "name": "Alice",

    "age": 30

}

# JSON

s1 = json.dumps(data, ensure_ascii=False, indent=2)

# YAML

s2 = yaml.safe_dump(data, allow_unicode=True)

代码结束。

如果你要和前端、接口服务、其他语言交互，JSON 很常见。

如果你要写项目配置、任务参数、模型参数，YAML 往往更舒服。

长时间运行的脚本，如果没有任何提示，用户体验会很差。

tqdm 可以给循环加进度条。

代码开始：

from tqdm import tqdm

for i in tqdm(range(10000)):

    process(i)

代码结束。

只需要包一层 tqdm，就能看到进度、耗时和预计剩余时间。

colorama 则可以给命令行输出加颜色。

代码开始：

from colorama import Fore

print(Fore.GREEN + "成功！" + Fore.RESET)

代码结束。

绿色表示成功，黄色表示警告，红色表示错误。

对于命令行工具、自动化脚本、批处理任务来说，这种反馈非常实用。

如果你经常处理文件：

优先熟悉 pathlib。

如果你在写长期运行的脚本：

尽早用 logging 替代 print。

如果你的脚本需要别人运行：

用 argparse 管好参数。

如果你经常写循环、计数、组合逻辑：

多看看 collections 和 itertools。

如果任务可以并发执行：

试试 concurrent.futures。

如果项目配置开始变多：

把 json 和 yaml 用起来。

如果脚本运行时间较长：

用 tqdm 和 colorama 给用户清晰反馈。

这 7 组 Python 库不一定复杂，但非常实用：

pathlib 让文件操作更清晰。

logging 让调试和线上追踪更可靠。

argparse 让脚本更像正式工具。

collections 和 itertools 让数据处理更优雅。

concurrent.futures 让并发任务更容易落地。

json 和 yaml 让配置与数据交换更规范。

tqdm 和 colorama 让命令行体验更友好。

它们就像 Python 开发中的常用工具箱。

不需要一次全部掌握，但每用熟一个，代码体验都会明显提升。

长按或扫描下方二维码，免费获取 Python公开课和大佬打包整理的几百G的学习资料，内容包含但不限于Python电子书、教程、项目接单、源码等等
▲扫描二维码-免费领取