chore: automated publish

Author: github-actions[bot]

public/blog/2025-07-30/index.pdf

@@ -0,0 +1,36 @@
+\title{"Python 字典（dict）高级用法与性能优化"}
+\author{"杨子凡"}
+\date{"Jul 30, 2025"}
+\maketitle
+字典作为 Python 的核心数据结构，在日常开发中扮演着关键角色，如快速查找、JSON 处理或配置存储。本文旨在超越基础用法，深入探讨高效实践和底层机制，适合中级及以上 Python 开发者。通过结合代码示例和原理分析，我们将揭示如何优化字典性能并避免常见陷阱。\par
+\chapter{字典基础回顾（简略）}
+Python 字典是一种可变数据结构，键必须唯一；在 Python 3.6 及以上版本中，它保留了插入顺序（但非排序顺序）。基本操作包括添加、删除、修改和查找元素，同时可使用 \texttt{keys()}、\texttt{values()} 和 \texttt{items()} 方法进行遍历。键必须是可哈希的，这意味着它们应为不可变类型（如字符串或元组），以确保哈希计算的稳定性。例如，尝试使用列表作为键会引发 \texttt{TypeError}，因为列表是可变的，无法保证哈希一致性。\par
+\chapter{高级字典操作技巧}
+字典推导式允许高效创建新字典，支持复杂过滤和多数据源合并。例如，\texttt{filtered\_{}dict = \{{}k: v for k, v in src\_{}dict.items() if v > 10\}{}} 会筛选出值大于 10 的项；这里 \texttt{src\_{}dict.items()} 返回键值对元组，推导式通过条件 \texttt{if v > 10} 过滤，避免创建临时列表。在合并字典时，Python 3.5+ 的解包语法 \texttt{merged\_{}dict = \{{}**dict1, **dict2\}{}} 优于 \texttt{dict.update()}，因为它直接生成新字典而不修改原对象；Python 3.9+ 的 \texttt{dict1 | dict2} 运算符提供更简洁的替代。\par
+处理键不存在时，\texttt{dict.setdefault()} 方法可初始化复杂值，如 \texttt{my\_{}dict.setdefault(key, []).append(value)} 在键缺失时创建空列表并追加值；这比手动检查更高效。\texttt{collections.defaultdict} 是替代方案，通过工厂函数自动初始化，例如 \texttt{defaultdict(list)} 在访问缺失键时返回新列表。性能上，\texttt{dict.get(key, default)} 在多数场景快于 \texttt{try-except KeyError}，因为异常处理开销较大。\par
+字典视图（如 \texttt{dict.items()}）支持实时迭代，避免内存复制；视图动态反映字典变化，例如在循环中修改字典时，视图会更新。自定义键需实现 \texttt{\_{}\_{}hash\_{}\_{}} 和 \texttt{\_{}\_{}eq\_{}\_{}} 方法，确保哈希一致性和相等性判断；使用枚举类型（\texttt{Enum}）作为键可提升安全性，如 \texttt{class Color(Enum): RED = 1}，然后 \texttt{my\_{}dict[Color.RED] = value}，避免字符串键的拼写错误。\par
+\chapter{字典底层原理与性能关键}
+字典基于哈希表实现，其中哈希函数将键映射到桶（buckets），冲突通过开放寻址法解决（Python 使用线性探测）。哈希表的时间复杂度为 $O(1)$ 查找，但冲突会增加开销。扩容机制由负载因子（通常为 $0.75$）触发，当元素数量超过容量乘负载因子时，字典会翻倍扩容并重新哈希所有元素，带来 $O(n)$ 时间开销。\par
+内存占用分析需注意 \texttt{sys.getsizeof} 的局限性，它不包含键值对象大小；键的哈希效率影响性能，字符串键通常快于元组或自定义对象，因为哈希计算更简单。Python 3.6+ 引入紧凑布局，使用索引数组和数据条目数组存储元素，保留插入顺序并优化内存（减少碎片），例如字典初始化时预分配空间降低扩容频率。\par
+\chapter{字典性能优化实战策略}
+预分配字典空间可减少扩容开销，如 \texttt{my\_{}dict = dict(initial\_{}size)} 设置初始大小（建议 \texttt{initial\_{}size ≈ 元素数量 / 0.75}）。键设计应优先使用简单、不可变、高熵的键（如短字符串），避免复杂对象以减少哈希计算时间。高效查找时，\texttt{in} 操作符提供 $O(1)$ 性能，优于列表扫描的 $O(n)$；在循环中缓存值（如 \texttt{value = my\_{}dict[key]}）避免重复查找。\par
+循环优化包括优先迭代 \texttt{items()}（如 \texttt{for k, v in my\_{}dict.items():}）而非先取 \texttt{keys()} 再查找，节省内存和时间；避免在循环中修改字典大小，建议用辅助列表记录待删除键后统一处理。对于大数据集，考虑替代方案：\texttt{dataclasses} 或 \texttt{namedtuple} 用于固定字段结构；\texttt{array} 模块或 NumPy 数组优化数值密集型数据；\texttt{mappingproxy} 创建只读视图保护数据。\par
+\chapter{特殊字典类型与应用场景}
+\texttt{collections} 模块提供扩展字典：\texttt{defaultdict} 自动初始化缺失键（如 \texttt{dd = defaultdict(int)} 用于计数）；\texttt{OrderedDict} 保证严格顺序，适用于 LRU 缓存实现；\texttt{ChainMap} 合并多层配置（如 \texttt{combined = ChainMap(local\_{}config, global\_{}config)}）；\texttt{Counter} 高效计数元素（替代手动 \texttt{dict.get(key, 0) + 1}）。\texttt{types.MappingProxyType} 创建只读字典视图，提升 API 安全性（如返回 \texttt{proxy\_{}dict} 防止修改）。\texttt{weakref.WeakKeyDictionary} 使用弱引用避免内存泄漏，适用于缓存或对象关联场景。\par
+\chapter{字典在工程中的典型应用}
+在配置管理中，\texttt{ChainMap} 实现多层覆盖（如优先本地配置）。数据缓存（Memoization）利用字典存储函数结果，例如实现简单缓存装饰器：\par
+\begin{lstlisting}[language=python]
+def memoize(func):
+    cache = {}
+    def wrapper(*args):
+        if args not in cache:
+            cache[args] = func(*args)
+        return cache[args]
+    return wrapper
+\end{lstlisting}
+这里 \texttt{cache} 字典键为参数元组，值存储计算结果；\texttt{@lru\_{}cache} 底层原理类似，但添加了大小限制。数据分组时，字典支持一键多值模式（如 \texttt{grouped = \{{}category: [] for category in categories\}{}}），通过列表存储多个条目。JSON 序列化中，字典与 JSON 对象天然映射；自定义序列化使用 \texttt{json.dumps(data, default=custom\_{}encoder)}，其中 \texttt{default} 参数处理非标准类型。\par
+\chapter{常见陷阱与最佳实践}
+可变对象作为键会引发错误（如列表不可哈希），因为哈希值变化导致不一致。字典顺序在 Python 3.6+ 是插入顺序而非排序顺序，误解可能引起逻辑错误。并发访问时，多线程环境需用锁或 \texttt{concurrent.futures} 避免竞争条件。过度嵌套（如 \texttt{dict[dict[dict]]}）降低可读性；替代方案包括嵌套 \texttt{dataclass} 或 ORM 对象，提升结构化。\par
+字典的核心优势在于 $O(1)$ 查找效率和开发便捷性，但需权衡内存与 CPU 开销、灵活性与结构。进阶方向包括深入哈希表原理、善用 \texttt{collections} 模块工具，以及持续性能分析（如附录推荐的 \texttt{timeit} 和 \texttt{cProfile}）。通过本文技巧，开发者可优化代码并规避陷阱。\par
+\section{附录}
+性能测试工具如 \texttt{timeit} 测量代码执行时间，\texttt{cProfile} 分析函数调用，\texttt{memory\_{}profiler} 监控内存；可视化工具 \texttt{pympler} 和 \texttt{objgraph} 帮助理解字典内存布局；深入学习资源包括《Fluent Python》书籍和 Python 源码（\texttt{Objects/dictobject.c}）。\par

public/blog/2025-07-30/index.tex

@@ -0,0 +1 @@
+320a723e7b89ac83a75a6f5cc12a3d9a83cabb68e3b7377262225ed049844dbd