HespethornのBlog

一、简单工厂简单工厂模式的核心是通过一个工厂类统一创建不同产品实例，本质是将对象创建逻辑与使用逻辑分离。C++ 作为面向对象编程语言，天然支持类与继承、多态、虚函数等特性，相比 C 语言的模拟实现，能更直接、优雅地满足简单工厂模式的设计意图，且无需手动管理函数指针与内存分配的绑定关系。 从两个维度理解适配性： 语法维度：通过抽象基类定义产品接口，具体产品类继承基类并实现纯虚函数，工厂类通过静态成员函数创建产品实例，完全符合面向对象的设计规范 功能维度：利用 C++ 的多态特性，调用者可通过基类指针 / 引用统一操作不同产品，无需关注具体产品类型；通过构造函数与析构函数自动管理内存，避免内存泄漏风险 二、核心结构2.1...

一、引言：打破"一次性"函数的诅咒普通函数有一个致命特征——一次性。执行到底，return 结果，销毁所有局部变量。人死灯灭，不留痕迹。 但有些场景需要函数"记住"上次执行到哪里了。比如遍历一个大文件，你不想一次性读入内存，而是读一行、处理一行、再读一行。这就需要函数拥有"记忆"——生成器应运而生。 生成器让函数从"单向流水线"变成了"可暂停的状态机"。 二、Yield：时间的暂停与状态的冻结2.1 核心机制当代码执行到 yield 时，函数并没有结束，而是"挂起"了： 保存当前的执行位置和所有局部变量 产出一个值给调用者 交还控制权，等待下次被唤醒 123456789101112131415161718192021def counter(n): i = 0 while i < n: print(f" [生成器内部] 即将 yield {i}") yield i ...

导言在团队开发或开源项目协作中，Git 提交信息如同代码的 “说明书”，直接影响代码可维护性与问题追溯效率。然而实际开发中，提交信息往往存在格式混乱、描述模糊等问题，例如 “fix bug”“update code” 这类无意义的表述。本文将通过 commitlint（提交信息验证工具）与 husky（Git 钩子管理工具）的组合，带你实现提交信息规范化与自动化校验，彻底解决这一痛点。 一、提交信息的常见问题与规范需求1.1 典型问题分析在未实施规范的项目中，提交信息通常存在以下问题： 格式混乱：无固定结构，有的包含类型，有的仅描述内容 描述模糊：如 “修改样式”“优化代码”，无法快速理解变更目的 信息不全：未关联需求编号或 Bug ID，问题追溯困难 语义缺失：无法通过提交信息判断变更类型（如功能新增、Bug 修复、文档更新） 1.2 规范标准选择：Conventional Commits目前行业广泛采用的 Conventional Commits（约定式提交） 标准，定义了结构化的提交信息格式： 12345<type>[optional...

一、核心差异总结一句话概括：C++ 拥有编译期强制访问控制，Python 只有运行时命名约定。 C++ 的 public/protected/private 是编译器强制执行的——违规代码根本无法编译。Python 的 _/__ 前缀只是"君子协定"——技术上你总能绕过去，Python 相信"我们都是成年人"。 二、Python 的三种"伪权限"2.1 Public（var）：普通继承行为没有任何前缀的属性就是公开的，子类和外部都可以自由访问： 1234567891011121314class Animal: def __init__(self, name): self.name = name # 公开属性 def speak(self): # 公开方法 return f"{self.name} makes a sound"class Dog(Animal): ...

一、分支管理：搭建 “分工明确” 的协作骨架混乱的分支体系是团队 Git 协作的万恶之源。想象一下：有人在main分支直接写代码，有人用 “test1”“newcode” 命名分支，合并时根本分不清分支用途 —— 这种场景下，冲突和版本混乱只是时间问题。 1. 推荐：简化版 Git Flow 分支结构企业级项目中，无需过度复杂的分支模型，一套 “主分支 + 辅助分支” 的简化结构足以满足需求，核心是明确每个分支的 “生命周期” 和 “职责边界”： 分支类型 命名规范 核心用途 操作红线 主分支 main/trunk 存放生产环境代码，始终保持 “可部署” 状态（任何时候拉取都能正常运行） 严禁直接push，仅通过 PR 合并，合并前必须经过测试 开发分支 develop 团队日常开发集成分支，汇总各功能分支代码，是预发布前的 “代码蓄水池” 不直接在该分支写代码，仅接受功能分支合并 功能分支 feature/模块名-需求描述 单个功能 /...

一、引言：告别冗长的 For 循环你一定写过这样的代码： 123456names = ["Alice", "Bob", "Charlie"]ages = [25, 30, 35]result = []for i in range(len(names)): if ages[i] > 28: result.append(names[i].upper()) 索引操作、条件判断、手动追加……这段代码能跑，但不够 Pythonic。Python 提供了四个核心内置函数——zip、map、filter、reversed，它们让数据处理像搭积木一样简洁。 更重要的是，它们返回的都是迭代器，采用惰性求值（Lazy Evaluation）——数据不是一次性全部生成，而是按需产出。这意味着处理百万级数据时，内存占用可能只有几个字节。 二、Map：数据转换的流水线2.1 核心作用对序列中的每个元素执行相同的操作（映射）。 1map(function, iterable) 2.2...

一、类图设计方法论：构建稳健的面向对象模型类图建模的本质是将现实世界的业务概念转化为计算机可理解的面向对象结构。遵循科学的方法论是确保模型质量的基础，核心包含四大环节：元素识别、关系构建、属性定义与模型优化。 1.1 元素识别：精准定位核心建模单元元素识别是类图设计的起点，需从业务需求中提取关键概念并转化为 UML 元素。识别过程需遵循 "单一职责原则"，确保每个元素职责清晰、边界明确。 核心元素类型及识别方法 元素类型 识别特征 表示符号 应用场景 类 (Class) 具有相同属性和行为的对象集合 矩形（分三层：类名 / 属性 / 方法） 业务实体（如 User、Order）、控制逻辑（如 OrderService）、工具组件（如 DateUtils） 接口 (Interface) 定义行为契约，无具体实现 棒棒糖形状或矩形（标注 <>） 服务契约（如 PaymentGateway）、模块边界（如 UserRepository） 抽象类 (Abstract...

一、面向对象分析（OOA）：需求提取与实体识别1.1 核心业务需求本系统旨在实现以下关键功能： 支持对多种基础几何图形，包括矩形、圆形和三角形的面积计算； 以统一的方式展示不同类型图形的名称及其对应的面积计算结果； 构建具有高度扩展性的系统架构，确保在新增图形类型时，现有计算逻辑无需进行任何修改。 1.2 核心实体识别（3 个以上核心实体）经过严谨的需求分析，本研究确定了以下核心业务实体，并对各实体的属性、行为及业务约束进行了详细定义： 实体名称 核心属性 核心行为 业务约束 图形（Figure） 无直接属性（抽象概念） 获取名称、计算面积 作为抽象基类，不可实例化，需由具体图形类继承 矩形（Rectangle） 长度（length）、宽度（width） 计算面积、返回名称 长度和宽度必须为正数 圆形（Circle） 半径（radius） 计算面积、返回名称 半径必须为正数 三角形（Triangle） 三边长度（a、b、c） 计算面积、返回名称 三边长度需满足三角不等式（a+b>c...

一、从"盒子"到"标签"1.1 C语言的"盒子"模型在 C 语言中，变量是一个有固定大小的"盒子"： 1234int a = 10; // 盒子 a 里装着 10int b = a; // 把 a 盒子里的 10 拷贝一份，装进盒子 ba = 20; // 把盒子 a 里的值改成 20// b 仍然是 10，因为每个盒子独立存储自己的值 赋值（a = b）就是把 b 盒子里的东西拷贝一份到 a 盒子里。两个盒子互不干扰。 1.2 Python的"标签"模型Python 的变量更像一张"便利贴"或"标签"，而数据本身是堆内存中的一个"对象"： 1234a = 10 # 创建整数对象 10，把标签 a 贴上去b = a # 把标签 b 也贴到同一个对象 10 上a = 20 # 把标签 a 从 10 撕下来，贴到新对象 20 上# b 仍然贴在 10 上 赋值（a =...

导言在 C++ 开发中，频繁使用 new/delete 会导致内存碎片、系统调用开销大等问题，尤其在多线程场景下性能损耗显著。内存池作为一种高效的内存管理方案，通过预先申请大块内存、重复利用空闲内存的方式，能有效解决这些问题。 一、内存池核心设计思路1.1 解决的核心问题 内存碎片：原生 new/delete 分配的内存大小随机，长期使用会产生大量无法利用的小块内存（碎片）； 系统调用开销：每次 new 都会触发系统调用（如 brk/mmap），频繁调用会严重影响性能； 多线程安全：原生内存分配器的锁竞争会导致多线程场景下性能下降。 1.2 核心设计方案我们的内存池采用 “多池分治 + 无锁空闲链表 + 内存块复用” 的设计，具体如下： 多池分治：按内存大小划分 64 个内存池，分别管理 8~512 字节的内存（步长 8 字节），超过 512 字节的内存直接使用原生 new/delete； 无锁空闲链表：用原子操作（CAS）实现空闲内存的入队 / 出队，避免多线程锁竞争； 内存块复用：预先申请 4096...

一、一个令人困惑的场景你刚学 Python 不久，写了这样一段代码： 123456def try_change(x): x = 100num = 42try_change(num)print(num) # 输出：42 —— 为什么不是 100？ 你期望 num 被改成 100，但它纹丝不动。然而换一种写法： 123456def try_append(lst): lst.append(4)nums = [1, 2, 3]try_append(nums)print(nums) # 输出：[1, 2, 3, 4] —— 居然改了！ 列表却被成功修改了。同一个函数、同一种"传参"，为什么有时改了外面，有时改不了？Python 到底是"传值"还是"传引用"？ 答案是：都不是。Python 使用的是一种更精确的机制——传对象引用（Pass by Object Reference）。 二、核心概念：传对象引用2.1 变量是"标签"，不是"盒子"在 C++...

一、STL 算法调用成员函数的典型错误在开始解决方案前，我们先明确最常见的错误模式，理解问题本质才能避免重复踩坑。 1.1 错误代码示例1234567891011121314151617181920212223242526#include <vector>#include <algorithm>#include <iostream>class NumberProcessor {private: int value;public: NumberProcessor(int v) : value(v) {} bool isEven() const { return value % 2 == 0; } // 筛选条件成员函数 void printValue() const { std::cout << value << " "; } // 操作成员函数 void add(int num) {...

一、引言如果你写过 functools.partial，或者曾经用闭包"锁定"一个参数，那你其实已经在不知不觉中使用了**柯里化（Currying）**的思想。这个名字来源于数学家 Haskell Curry，而它背后的思想极为简洁：将接受多个参数的函数，转化为一系列只接受一个参数的函数。 从 Python 的视角出发，柯里化不仅是一种函数式编程技巧，更是深入理解闭包、高阶函数与"函数是对象"这三件事的绝佳切入点。 二、什么是柯里化2.1 原始定义在数学和 lambda 演算中，柯里化的定义是： 将一个接受 N 个参数的函数 f(a, b, c) 转化为 f(a)(b)(c) —— 即接受第一个参数返回新函数，新函数接受第二个参数返回下一个新函数，直到收集完所有参数时执行原始逻辑。 2.2 一个直观的例子从一个简单的加法函数开始： 12345# 普通写法：一次接受两个参数def add(a, b): return a + bprint(add(3, 5)) # 输出：8 柯里化之后： 123456789#...

一、Vector 整体结构与 allocator 定位1.1 Vector 核心数据成员构成std::vector 作为动态数组容器，其核心数据结构由三个指针（或类似指针的迭代器）构成，分别指向： 数据区起始位置（begin）：指向已分配内存块的起始地址 有效数据结束位置（end）：指向当前已存储元素的下一个位置 内存块结束位置（capacity_end）：指向已分配内存块的末尾位置 1.2 allocator 在 Vector 中的核心定位std::allocator 作为 Vector 的内存分配器组件，承担以下核心职责： 提供类型安全的内存分配 / 释放接口 解耦容器逻辑与底层内存管理实现 实现元素构造与内存分配的分离操作 支持自定义内存分配策略的扩展接口 二、std::allocator 核心接口与内存分配流程2.1 allocator 核心成员函数 allocate(size_t n)：分配能够存储 n 个元素的未初始化内存块，返回指向内存块起始位置的指针，内存大小为 n * sizeof (T) deallocate(T p, size_t...

一、核心概念辨析在开始代码实现前，需先明确三个核心概念的区别： 概念 定义 典型示例 可调用实体 (Callable Entity) 所有可以通过()语法调用的对象或表达式的统称 函数指针、lambda 表达式、仿函数、bind返回对象 函数对象 (Function Object) 具有operator()成员函数的类实例（仿函数） 自定义struct Add { int operator()(int a, int b); } 可调用对象 (Callable Object) 除函数指针外的可调用实体，强调 "对象" 属性 lambda 表达式、std::bind返回值、std::mem_fn返回值 二、完整代码实现以下代码基于 C++11...

一、引言当你在 Python 中调用一个函数时，解释器在背后做了大量工作来管理变量的"可见性"。为什么函数内部能访问全局变量，但全局却不能直接看到函数内部的变量？为什么嵌套函数能记住外层函数的变量？这一切的答案，都指向一个核心概念——环境模型（Environment Model）。 本文源自 UC Berkeley CS61A 课程的核心内容，带你从"框架（Frame）"的视角理解 Python 的函数调用机制。 二、什么是环境模型环境模型是 Python 解释器用来追踪变量名与值之间绑定关系的一套机制。它的核心思想极其简单： 一个表达式在特定环境中被求值。环境由一系列框架（Frame）组成，每个框架包含一组绑定（Binding）——即变量名到值的映射。 在这套模型中，有两种最关键的结构： 全局框架（Global Frame）：程序启动时就存在的唯一框架，存储全局变量和函数定义 局部框架（Local...

一、引言在C++中，我们通过#include指令引用头文件来复用代码，这种方式使得代码结构更加清晰，便于维护和管理。而在Python中，虽然没有直接的"头文件"概念，但通过其强大的模块导入系统，我们同样可以实现类似的代码组织和复用功能。本文将详细介绍Python中如何像C++引用头文件一样组织和导入代码。 二、C++头文件与Python模块的对比2.1 C++的头文件机制在C++中，头文件（.h文件）通常包含： 函数声明 类定义 常量定义 模板声明 通过#include指令，我们可以在源文件中引用这些头文件，从而使用其中定义的内容。 2.2 Python的模块机制在Python中，模块是一个包含Python定义和语句的文件，文件名就是模块名加上.py后缀。通过import语句，我们可以在其他Python文件中导入并使用模块中的内容。 三、Python模块的基本使用3.1 创建模块创建一个Python模块非常简单，只需要创建一个.py文件并在其中定义函数、类、变量等。 例如，创建一个名为utils.py的模块： 1234567891011#...

引言在传统的 C++...

一、文件读取核心概念与基础流程1.1 文件操作的三要素文件读取本质是 "数据在外部存储与内存间的传输过程"，需关注三个核心要素： 流对象：C++ 标准库通过std::ifstream（输入文件流）提供文件读取接口，是连接程序与外部文件的桥梁 流状态：通过good()/eof()/fail()/bad()四个状态标志判断操作有效性 数据缓冲区：操作系统与标准库均会维护缓冲区，减少磁盘 IO 次数（默认缓冲区大小通常为 4KB 或 8KB） 1.2 基础文件读取流程（标准范式）所有文件读取操作都遵循 "打开 - 读取 - 关闭" 的核心流程，标准实现代码如下： 123456789101112131415161718192021222324252627282930313233343536373839#include <fstream>#include <iostream>#include <string>int main() { // 1....

一、什么是迭代器？迭代器（Iterator）是 Python 中一种实现了迭代协议的对象，它允许我们逐个访问集合中的元素，而不需要知道集合的内部结构。迭代器必须实现两个方法： __iter__()：返回迭代器对象本身 __next__()：返回下一个元素，如果没有更多元素则抛出 StopIteration 异常 1.1 迭代器的基本使用123456789101112# 创建一个迭代器numbers = [1, 2, 3, 4, 5]iterator = iter(numbers)# 使用 next() 函数获取下一个元素print(next(iterator)) # 输出: 1print(next(iterator)) # 输出: 2print(next(iterator)) # 输出: 3# 使用 for 循环遍历（自动处理 StopIteration 异常）for num in iterator: print(num) # 输出: 4, 5 1.2 自定义迭代器1234567891011121314151617class Countdown: ...