Python 作为一门简洁又强大的编程语言在多线程编程、函数增强、计算机视觉、文本处理等多个领域都有着广泛的应用。本文将结合几个实用的代码案例带你上手 Python 的多线程、装饰器、OpenCV 颜色检测和正则表达式匹配从基础应用到实际场景解锁 Python 的多样玩法。一、多线程编程让程序 “并行” 起来在 Python 中threading库是实现多线程的核心工具它能让程序在执行耗时操作时不阻塞主线程提升运行效率。1. 基础多线程示例先看一个简单的多线程执行函数的例子import threading import time def worker(): print(线程开始执行) for i in range(5): print(f线程正在工作 {i}) print(线程执行完毕) thread threading.Thread(targetworker) thread.start() print(****主线程继续执行****) def worker(name): print(f{name} 线程开始执行) for i in range(5): print(f{name} 正在工作: {i}) time.sleep(0.5) print(f{name} 线程执行完毕) thread1 threading.Thread(targetworker, args(线程1,)) thread2 threading.Thread(targetworker, args(线程2,)) thread1.start() thread2.start() print(****主线继续执行****)运行这段代码你会发现 “线程 1” 和 “线程 2” 交替输出内容主线程也不会等待子线程完成才执行后续代码这就是多线程的 “并行” 特性 —— 多个线程在 CPU 中交替执行看起来像是同时运行。2. 多线程执行不同耗时任务我们还可以让不同线程执行不同耗时的任务比如模拟 “等待不同时间后输出结果”def run(t): time.sleep(t) print(f我等了{t}秒) t1 threading.Thread(targetrun, args(3,)) t2 threading.Thread(targetrun, args(6,)) t1.start() print(开始计时) t2.start()执行后主线程先打印 “开始计时”3 秒后t1线程输出 “我等了 3 秒”6 秒后t2线程输出 “我等了 6 秒”完美体现了多线程处理异步任务的优势。二、装饰器给函数 “加 buff”装饰器是 Python 的语法糖能在不修改函数源码的前提下为函数增加额外功能。比如实现 “每调用 N 次函数执行指定操作” 的需求。1. 自定义装饰器示例下面的装饰器execute_after_n_calls能实现 “每调用 3 次被装饰函数就执行一次指定函数”import re def execute_after_n_calls(n, w2set): def decorator(func): def wrapper(*args, **kwargs): # 统计函数调用次数 wrapper.count 1 # 执行原函数并获取结果 result func(*args, **kwargs) # 每调用n次执行w2set函数 if wrapper.count % n 0: w2set() return result # 初始化调用次数 wrapper.count 0 return wrapper return decorator # 被触发的函数 def bb(): print(b) # 用装饰器增强aa函数 execute_after_n_calls(3, bb) def aa(): print(a) # 测试调用 for _ in range(6): aa()运行结果会依次输出a a a b a a a b。装饰器通过闭包特性巧妙地统计函数调用次数实现了函数功能的扩展这种方式在日志记录、性能统计、权限校验等场景中非常实用。三、OpenCV 实战颜色检测识别牛皮纸箱利用 OpenCV 和 NumPy我们可以实现基于颜色的物体检测比如识别摄像头画面中的牛皮纸箱通过匹配棕色色域。1. 颜色检测核心代码import cv2 import numpy as np # 打开摄像头 cap cv2.VideoCapture(0) while True: try: # 读取帧 ret, frame3 cap.read() # 转换为HSV色彩空间更适合颜色检测 hsv_image cv2.cvtColor(frame3, cv2.COLOR_BGR2HSV) # 定义棕色的HSV范围 lower_brown np.array([10, 30, 30]) upper_brown np.array([30, 255, 255]) # 创建掩码只保留棕色区域 mask cv2.inRange(hsv_image, lower_brown, upper_brown) # 计算棕色像素占比 white_pixels np.sum(mask 255) total_pixels mask.shape[0] * mask.shape[1] color_percentage (white_pixels / total_pixels) * 100 # 占比≥20%时判定为检测到牛皮纸箱 if color_percentage 20: print(检测到牛皮纸箱) # 显示画面 cv2.imshow(mask, mask) cv2.imshow(Filtered Image1, frame3) # 按ESC退出 if cv2.waitKey(1) 27: break except: pass # 释放资源 cap.release() cv2.destroyAllWindows()2. 关键知识点HSV 色彩空间相比 RGBHSV 更能抵抗光照变化的影响是颜色检测的首选掩码mask通过cv2.inRange筛选出指定颜色范围的像素白色255为匹配区域黑色0为不匹配像素占比计算通过统计匹配像素的数量判断画面中目标颜色的占比实现物体识别。四、正则表达式精准匹配文本内容正则表达式是处理文本的 “利器”能快速筛选出符合规则的字符串比如匹配特定格式的编号、密码等。1. 多规则文本匹配示例下面的代码实现了两种规则的字符串匹配① 包含字母 数字长度 2-8 且可含连字符② 4-7 位纯数字。import re def process_string(input_string): aa [] parts input_string.split() # 规则1含字母数字长度2-8可含- pattern_alphanumeric re.compile(r^(?.*[a-zA-Z])(?.*\d)[a-zA-Z\d-]{2,8}$) # 规则24-7位纯数字 pattern_at_least_two_digits re.compile(r^\d{4,7}$) for part in parts: if pattern_alphanumeric.match(part) or pattern_at_least_two_digits.match(part): aa.append(part) return aa # 测试用例 test_list [Aceite p04476, sdighsg, s4967xl, v0-4985, 123, 1234568956, 45825] result [] for s in test_list: result.extend(process_string(s)) print(匹配结果, result)运行结果会输出[p04476, s4967xl, v0-4985, 45825]精准筛选出符合规则的字符串。正则表达式的优势在于灵活定义匹配规则在数据清洗、文本解析、表单验证等场景中必不可少。五、总结本文从四个不同的维度展示了 Python 的实战应用多线程利用threading实现并行任务提升程序执行效率装饰器通过闭包扩展函数功能让代码更简洁、易维护OpenCV 颜色检测结合 HSV 色彩空间实现物体识别落地计算机视觉小应用正则表达式精准匹配文本规则高效处理文本数据。Python 的魅力在于其丰富的库和灵活的语法这些基础实战案例不仅能帮助你掌握核心知识点也能为后续的复杂项目打下基础。不妨动手运行代码尝试修改参数和规则探索更多 Python 的玩法吧