企业官网建设流程全解析

简介：一份包含96个Python实例脚本的经典代码汇总，主要面向Python初学者与需要巩固基础的进阶开发者，覆盖基础语法、字符串与列表等数据类型操作、条件循环、函数与模块、类与对象、文件读写、异常处理、数据库连接、网络请求及数据可视化等核心开发场景。压缩包总大小仅53KB，全部为.py格式源码文件，轻量易用，可快速下载并导入本地编辑器运行。实例按JCP编号逐一排列，每个脚本对应一个独立知识点或常见任务，代码结构清晰、注释直白，便于初学者模仿学习，也方便有经验的开发者按需检索复用。目前已有770人学习下载，验证了其实用价值。通过运行和改写这些实例，学习者能够从简单语法练习平滑过渡到面向对象、数据库等进阶主题，既适合作为教学辅助材料，也可当作日常编程的速查手册，帮助切实提升编码效率与问题解决能力。

1. 一百个经典实例，真正被反复翻看的往往只有二十多个

如果你去搜“Python经典实例代码汇总+100例”，大概率会看到一份很长的清单：从读取CSV、计算斐波那契数列，到爬取网页、调用API，再到画折线图、写一个小游戏。可你拿到手之后会发现，能当场看懂并且愿意抄的，通常只有二十几个。剩下的大部分例子要么依赖版本太老的库，要么环境配置比代码本身还长，要么就是功能重复——同样一个排序，一口气给了五种写法。

经典实例的真正价值不是“代码数量”，而是让你用最短时间把常见需求映射到正确写法。你想把一堆文件批量改名，搜到os.rename；你拿到一个带脏数据的Excel，第一反应是pandas还是openpyxl；你想把脚本参数化，又不想装argparse外的额外依赖——这些单点答案才是“经典”两个字值钱的地方。这份汇总的用处就一个：给你一份可以反复翻查的起点，而不是让你从头到尾背完一百遍。适合两类人：刚学完基础语法、不知道下一步写什么的初学者；以及写了几个月脚本、遇到“这功能我记得见过但忘在哪”的熟手。下面我按“先立住选例标准，再讲怎么跑，最后讲怎么改”的思路，把这套东西讲透。

2. 经典实例的取舍逻辑：不是凑满一百个，而是每个都能在一个文件里跑完

2.1 按功能域拆成六类，覆盖日常脚本的绝大多数场景

一份能用的实例集合，一定不是按难度线性排列的，而是按功能域分组的。我常见到有人把“打印九九乘法表”和“多线程下载”放在同一个难度层级里，这没有意义。我习惯把经典实例拆成六类：文件与路径操作、文本与正则、数据清洗与转换、网络请求与解析、对象建模、以及小工具链（命令行参数、日志输出、断言验证）。六类覆盖公司里八成的脚本需求：处理Excel报表、批量重命名、定时检查接口、清洗爬回来的数据、把JSON转成CSV。

分类决定了你怎么查。比如你遇到的问题是“一个目录下几千个文件里挑出上周修改过的”，你应该去“文件与路径”那一组，而不是去“网络请求”那一组。多数经典实例汇总最大的问题不是没写代码，而是没写“这个问题属于哪个域”。当你学会先按问题域去找例子的时候，你的查代码速度会明显提升，这也是所谓“经验”的一部分。

2.2 选择标准只看三件事：依赖、运行成本、是否标准库能解决

我一般接一个需求，会先问自己一个问题：这个例子如果还要装一个第三方库，那这个库值不值得装？比如要把一段HTML里的链接提取出来，用正则三步能写完，就没必要上BeautifulSoup。反之，如果拿到的是“一个Excel里从第3行开始读取并且公式要保留”，那纯openpyxl是绕不过去的。

我挑实例的原则有三个。第一，优先标准库；第二，第三方库选生态最稳的，而不是最酷的；第三，每个例子必须单独能跑通，不依赖“先运行前面第20个例子”。因为一套经典实例的失败率最高的时刻，就是用户从第1个顺序跑到第50个，结果发现第50个例子用到了第49个例子里定义的全局变量。这不能怪用户，是例子组织本身的问题。一个独立文件、一个直接入口、一段“运行后能看到什么”的说明，这三件套比代码本身的语法水平更重要。

2.3 单文件脚本为主，模板式组织比工程化框架更适合“汇总”

经典实例没有必要用工程化目录组织：不需要src包、不需要setup.py、不需要用pytest来管理。因为读者的痛点是“我要快速拿一段代码去验证一个想法”，不是“我要参与一个大型项目”。所以我推荐的目录结构是扁平化的：

py_examples/ 01_file_path_rename.py 02_csv_merge_by_key.py 03_json_clean_nested.py 04_regex_extract_url.py 05_schedule_check_http.py

文件名里带上三个信息：序号、功能域、动词。这样即使你只记得“当时有个例子读CSV的”，你搜csv就能搜到。这个好处在第一周感觉不明显，三个月后你往回翻的时候会感谢这个命名习惯。

到这里你大概明白了：经典实例的“汇总”本质上是在做一次需求维度的索引，而不是代码的堆叠。接下来要解决的是更实际的问题——我拿到这套代码，从哪里开始跑？下一章我用最小依赖的方式带你跑通前一批脚本。

3. 先把20个标准库例子跑通：最小依赖起步，再引入第三方库

3.1 环境准备：一个Python版本加一个requirements，够了

开始动手前，先说环境和依赖。不建议为了跑100个例子专门装Anaconda。一个干净的Python环境加上按需安装第三方库就够了。我用虚拟环境管理，避免“为了跑一个requests把整个环境搞乱”的情况。

mkdir py_examples && cd py_examples python -m venv venv source venv/bin/activate # Windows 下用 venv\Scripts\activate python -m pip --version

逻辑说明：python -m venv venv会在当前目录建一个隔离的Python环境，source venv/bin/activate切换进去。这样后面pip装的包只影响这个目录。这一步是给后面大量依赖第三方库的例子做隔离。参数说明：如果你的机器上Python版本比较多，可以用python3 -m venv venv指定具体版本；Windows PowerShell不用source，直接执行venv\Scripts\Activate.ps1。

接下来跑第一批纯标准库例子。这一批一共20个，全部不依赖外部包，适合用来做环境自检。我挑三个有代表性的展开说。

3.2 例子：统计目录下所有文件的大小与数量

# 01_dir_stats.py from pathlib import Path from collections import defaultdict def scan_directory(root: str) -> dict: """统计一个目录下各扩展名的文件数量与总大小""" stats = defaultdict(lambda: {"count": 0, "bytes": 0}) base = Path(root) for file in base.rglob("*"): if file.is_file(): ext = file.suffix.lower() or "no_ext" stats[ext]["count"] += 1 stats[ext]["bytes"] += file.stat().st_size return dict(stats) if __name__ == "__main__": import sys target = sys.argv[1] if len(sys.argv) > 1 else "." result = scan_directory(target) for ext, info in sorted(result.items(), key=lambda x: -x[1]["bytes"]): print(f"{ext:8s} {info['count']:5d} files {info['bytes'] / 1024:.1f} KB")

逻辑说明：Path.rglob递归列出目录下所有文件，suffix取扩展名，file.stat().st_size获取字节数。用defaultdict避免判断键是否存在的样板代码。这段代码解决的核心问题：你拿到一个陌生目录，想快速知道“这里大概有什么类型的文件、每个类型占多少空间”。

参数说明：sys.argv[1]是命令行传入的目录路径，不给参数时默认扫描当前目录。sorted(..., key=lambda x: -x[1]["bytes"])按大小倒序输出，这样最大的文件类型排在最上面。如果你只想统计一层目录，不递归子目录，把rglob改成glob即可。

3.3 例子：合并两个CSV，按公共字段对齐

# 02_csv_merge_by_key.py import csv from collections import OrderedDict def merge_csv(file_a: str, file_b: str, key: str, output: str) -> None: """按指定键合并两个CSV，结果写入新文件""" data = OrderedDict() with open(file_a, "r", encoding="utf-8", newline="") as f: reader = csv.DictReader(f) for row in reader: data[row[key]] = row with open(file_b, "r", encoding="utf-8", newline="") as f: reader = csv.DictReader(f) for row in reader: uid = row[key] if uid in data: data[uid].update(row) else: data[uid] = row with open(output, "w", encoding="utf-8", newline="") as f: # 取所有字段的并集，保证不丢列 fieldnames = [] for row in data.values(): for k in row: if k not in fieldnames: fieldnames.append(k) writer = csv.DictWriter(f, fieldnames=fieldnames) writer.writeheader() writer.writerows(data.values()) if __name__ == "__main__": merge_csv("2024_sales.csv", "2025_target.csv", "sku_id", "merged.csv")

逻辑说明：两个CSV都有sku_id字段，一个存销量，一个存年度目标。DictReader把每一行读成字典，data[uid].update(row)让右边文件的字段覆盖左边同键行的同名字段，但保留左边独有字段。最后写出的CSV是两表字段的并集。

参数说明：encoding="utf-8"处理中文内容，newline=""防止在Windows平台写出多余空行。key参数决定了合并是按“sku_id”还是其他字段对齐。如果两个CSV里键不唯一，这段代码会互相覆盖，此时应该改用list存储分组。

3.4 例子：运行时可选的第三方依赖，让脚本同时兼容两种情况

有些例子本身很简单，但依赖第三方库，这会让初学者翻车。常见做法是运行时检测库是否存在，存在就用库，不存在就走标准库路径。我常用的一段模板：

# 03_try_load_lib.py try: import pandas as pd HAS_PANDAS = True except ImportError: HAS_PANDAS = False def load_data(path: str): if HAS_PANDAS: return pd.read_csv(path) # 降级到标准库 import csv with open(path, "r", encoding="utf-8") as f: return list(csv.DictReader(f)) if __name__ == "__main__": rows = load_data("example.csv") print(f"读到 {len(rows)} 行，第一行: {rows[0] if rows else '空'}")

逻辑说明：try...except ImportError检测pandas是否存在，存在则优先使用，否则用csv模块兜底。这让同一个脚本在干净环境和装了pandas的环境里都能运行。

参数说明：这里没有硬性参数，关键是HAS_PANDAS这个布尔值在程序里只读取一次，不要每次调用load_data都重新import检测。如果你希望强制使用纯标准库模式，可以把HAS_PANDAS改成从环境变量读：os.getenv("USE_PURE_PY", "0") == "1"。

跑完第一批20个标准库例子，你应该已经理解：经典实例里的代码本质是“解决方案片段”，而不是“完整项目”。接下来我拆解几个高频实例的改造思路，让你把“抄来的代码”改成“自己的工具”。

4. 高频实例拆解：从数据清洗到接口验证，改造成自己的写法

4.1 数据清洗三件套：类型转换、去重、补缺失

数据清洗是最常出现的实例类型。三个经典需求：字符串里的数字变成能计算的数字、重复行去掉、缺失字段补默认值。常见的写法是链式调用：

# 04_clean_data.py import re from decimal import Decimal def to_number(value) -> float: """把'12,345.67元'、'￥1,200'这类字符串转成float""" if isinstance(value, (int, float)): return float(value) s = str(value).replace(",", "").replace("元", "").replace("￥", "").strip() return float(s) if re.fullmatch(r"-?\d+(\.\d+)?", s) else 0.0 def deduplicate(rows, keys): """按keys列去重，保留第一次出现的行""" seen = set() result = [] for row in rows: marker = tuple(row.get(k) for k in keys) if marker not in seen: seen.add(marker) result.append(row) return result if __name__ == "__main__": sample = [ {"id": "A01", "price": "1,299.00元", "qty": "3"}, {"id": "A01", "price": "1,299.00元", "qty": "3"}, {"id": "A02", "price": "格式异常", "qty": "x"}, ] cleaned = deduplicate(sample, ["id"]) for row in cleaned: print(row)

逻辑说明：to_number用正则做白名单校验，格式不合法时返回0.0，避免float("abc")直接抛异常中断整个任务。deduplicate用set记录已见组合，达到按任意多个键去重的效果。这两段几乎可以原样搬到任何清洗项目里。

参数说明：to_number里re.fullmatch要求整个字符串匹配数字格式，避免“123abc”被强行阶段性转换。如果你需要保留千分位“12,345.67”的小数，正则允许且有两位小数；如果数据里有负数，-?前缀已覆盖。deduplicate的keys参数传入列表，比如["id"]只按id去重，["id", "date"]按两列联合去重。

4.2 文本提取的经典正则：日志与HTML里的信息抓取

提取日志中的时间戳、错误码，或从HTML里取链接，方法论一致：先定位包围结构，再取结果。日志提取的写法：

# 05_extract_log.py import re LOG_PATTERN = re.compile( r"\[(?P<level>INFO|WARN|ERROR)\]\s+" r"(?P<timestamp>\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2})\s+" r"--\s+(?P<message>.*)" ) def parse_log_line(line: str): m = LOG_PATTERN.search(line) if not m: return None return m.groupdict() # {"level": "...", "timestamp": "...", "message": "..."} if __name__ == "__main__": test_line = "[ERROR] 2025-06-01 10:24:33 -- connect timeout after 3s" print(parse_log_line(test_line))

逻辑说明：命名分组(?P<level>...)让结果直接变成字典，后续字段取值不用数索引，可读性高很多。search方法定位第一个匹配点，不用在意行首是否有空格。这个模式的实用场景是：给你一个几万行的日志文件，你只把ERROR和WARN筛出来，再做统计。

参数说明：re.compile在模块加载时只编译一次，而不是每行都重新编译，这在处理大文件时性能差异明显。\d{4}-\d{2}-\d{2}固定为年月日，如果你的日志带毫秒或时区，需要扩展\s+\+\d{4}。当多个模式的优先级不同时，用|连接要小心顺序，re默认从左到右匹配，长的模式要放前面。

4.3 文件批处理：批量改名与转码

批量修改文件名是高频中的高频，但很多人把逻辑写死了。我推荐的做法是把“要改哪些文件”和“改成什么名字”两件事分开：

# 06_batch_rename.py from pathlib import Path def rename_by_rule(directory: str, rule) -> list: """按rule函数重命名文件，返回(旧名, 新名)列表""" changes = [] for file in Path(directory).iterdir(): if not file.is_file() or file.name.startswith("."): continue new_name = rule(file.name) if new_name and new_name != file.name: target = file.with_name(new_name) # 避免覆盖已有文件 if not target.exists(): file.rename(target) changes.append((file.name, new_name)) return changes if __name__ == "__main__": import sys prefix = sys.argv[1] if len(sys.argv) > 1 else "backup_" renamed = rename_by_rule(".", lambda name: prefix + name) for old, new in renamed[:5]: print(f"{old} -> {new}")

逻辑说明：rule是一个函数，接收旧文件名返回新文件名。这样不同的命名转换只需要换一个lambda，而不用重写整个函数。target.exists()先检查目标是否存在，避免静默覆盖重要文件。批量操作类代码，防呆比功能更重要。

参数说明：运行脚本时第一个参数是前缀，默认backup_。iterdir不递归子目录，如果你要递归改名，把iterdir换成rglob("*")。微软系文件系统上文件名大小写不敏感，把report.txt改成Report.txt可能会被视为同一文件，但不同系统行为不一，这里我建议统一走rename后自行确认。

4.4 小接口与自动化：用标准库起一个本地验证服务

有一些实例是关于“把逻辑包成接口”的。不用框架，http.server就够了，适合做本机的小工具验证：

# 07_http_tool.py import json from http.server import BaseHTTPRequestHandler, HTTPServer class Handler(BaseHTTPRequestHandler): def _send(self, payload: dict, code: int = 200): body = json.dumps(payload).encode("utf-8") self.send_response(code) self.send_header("Content-Type", "application/json; charset=utf-8") self.send_header("Content-Length", str(len(body))) self.end_headers() self.wfile.write(body) def do_GET(self): if self.path == "/health": self._send({"status": "ok"}) else: self._send({"error": "not found"}, 404) def log_message(self, fmt, *args): print(f"[http] {self.address_string()} {fmt % args}") if __name__ == "__main__": server = HTTPServer(("127.0.0.1", 8000), Handler) server.serve_forever()

逻辑说明：HTTPServer绑定本机8000端口，Handler里重写do_GET分派路径。逻辑说明：_send统一处理JSON序列化和响应头，避免每个方法重复写send_response。这在本地起个接口让前端联调用，或测试一个解析逻辑是否支持HTTP调用时很快。log_message被重写为纯打印，避免默认往stderr写日志的噪音。

参数说明：("127.0.0.1", 8000)只监听本机，外部设备访问不到——如果你希望局域网内调试，把127.0.0.1改成0.0.0.0。端口被占用时会抛OSError，常见处理是换一个端口或先检查占用进程。

到这里，你已经从“跑通例子”进入“改例子”阶段。但真正让一堆经典实例变成多大价值的分水岭，是你会不会踩那些隐藏的坑。下一章我认为是全文最实用的部分——4类翻车场景，每个都是实际运行中我见过的。

5. 实例翻车重灾区：这4类坑先踩明白，能省一半调试时间

5.1 Windows下读UTF-8文件直接报编码错

现象：在Linux上写好的脚本换到Windows环境，用open("data.csv")直接读，抛UnicodeDecodeError。原因：Windows默认编码不是UTF-8，而是GBK系列；Python的open如果不指定encoding，会使用系统默认编码。解决：所有读写文本文件都显式传encoding="utf-8"，写文件时加newline=""。

with open("data.csv", "r", encoding="utf-8", newline="") as f: ...

这看着是小事，但几乎所有按“经典实例”抄的代码都会在这里翻车。还有一个隐蔽版本：open读没问题，但print中文时在Windows控制台又报UnicodeEncodeError。解决方式是把输出重定向到文件，或者先看控制台代码页。

5.2 路径硬编码：换一台机器所有相对路径全失效

现象：代码在A同学电脑上跑得好好的，打包给B同学就报FileNotFoundError。原因：代码里写了C:/Users/xxx/Desktop/data.csv或/home/user/data.csv，但每台机器的用户目录不同。解决：用pathlib.Path配合动态获取当前目录：

from pathlib import Path BASE_DIR = Path(__file__).resolve().parent data_path = BASE_DIR / "input" / "data.csv"

__file__是当前脚本文件路径，resolve()解析成绝对路径，parent拿到脚本所在目录。这样数据文件只要和脚本保持相对位置，换机器就不会挂。如果你想要撤回确认，结合上一章的rename例子，返回旧新对照列表就是一种“后悔药”设计。

5.3 列表推导的坑：你改的可能是同一个对象

现象：一口气写了类似[ {} for _ in range(5) ]，然后给第一项赋值，发现五项全变了。原因：[ {} for _ in range(5) ]在运行时会把同一个空字典引用复制五次，而不是创建五个新字典。解决：用独立构造：

# 正确写法：每轮循环都新建对象 result = [{"id": i, "data": []} for i in range(5)] # 错误写法：五个元素指向同一个字典 result = [{} for _ in range(5)] result[0]["x"] = 1 # 所有元素都多了"x"

逻辑说明：可变对象被引用，不可变对象（数字、字符串）没有这个问题。这个坑在“生成器表达式转列表”时也容易出现。凡看到推导式里用{}、[]，就要确认你确实创建了新对象。

5.4 第三方库版本差异：同样代码在不同机器上行为不同

现象：某段用requests的代码在旧机器上报“headers里不能有中文”，在新机器上正常。原因：不同版本的requests对HTTP头编码处理策略不同，默认的http.client版本也不同。解决：把依赖版本固定到requirements.txt里，并且用pip freeze生成当前可运行版本：

python -m pip freeze > requirements.txt

后续换环境时python -m pip install -r requirements.txt。这不是玄学，是实录：跑经典实例时遇到最多的问题不是语法，而是“环境对不上”。如果你在网页上找到一段代码，务必先看它用到的库是什么版本。很多“经典实例”是哪年写的？那时requests到了哪个版本？这些信息往往在注释里没有，你得自己试。试错成本不高，装个指定版本就行。

6. 把每一段实例变成自己的“函数卡片”：一种可积累的验证技巧

到了最后一章，我想给你一个我一直在用的具体技巧——把经典实例从“脚本”升级成“函数卡片”。所谓函数卡片，就是每个例子最终留存的形态是一个函数加一组断言，而不是一段只能跑一次的main。

我举一个例子。第4章的to_number，当我需要复用时，我会把它单独放进一个模块，并直接写断言：

# my_utils/text_utils.py import re def to_number(value) -> float: if isinstance(value, (int, float)): return float(value) s = str(value).replace(",", "").replace("元", "").replace("￥", "").strip() return float(s) if re.fullmatch(r"-?\d+(\.\d+)?", s) else 0.0 def test_to_number(): assert to_number("1,299.00元") == 1299.00 assert to_number("￥3,500") == 3500.0 assert to_number("abc") == 0.0 assert to_number(42) == 42.0 print("全部断言通过")

逻辑说明：assert直接验证函数行为，不需要额外装测试框架。当以后你重构这段代码，跑一下这个函数就知道有没有改坏。这一招对“汇总型代码”特别有价值：因为经典实例很多是网上抄的，自己不验证一遍，你根本不知道它在你的数据上会怎样。

我自己的习惯是：从网上下载或抄了一段经典代码，先不看它的输出，而是先想三个数——空输入、边界输入、脏输入。分别传给函数，看到的结果稳定才收进自己的工具模块。经过一个月，你攒下来的不是一百个脚本，而是十几个过亲手验证的函数卡片。这些卡片比那一百个实例本身更常用。

这个方向的真正价值在于：100例是别人的骨架，而“改造成自己的函数并用断言锁住行为”才是你的肌肉。希望这套思路能帮你在下个项目里少走弯路，也让你手里的那些经典实例真正长在自己的代码库上。

本文还有配套的精品资源，点击获取