智能创建多级目录

from boltons.fileutils import mkdir_p

# 一次性创建多级目录
mkdir_p("/home/user/projects/new_project/src")

原子文件保存

from boltons.fileutils import atomic_save

with atomic_save('important_data.json') as f:
    f.write(json.dumps(data))

即使在写入过程中发生系统崩溃或断电，也能保证文件不会损坏，要么保存成功，要么保留原文件。

高级迭代处理

Boltons的iterutils模块提供了强大的迭代工具，大大简化了复杂数据处理

from boltons.iterutils import remap, research

# 删除嵌套结构中的所有None值
data ={'a':{'b':1,'c':None},'d':None}
cleaned_data = remap(data,lambda p, k, v: v isnotNone)
print(cleaned_data)# 输出：{'a': {'b': 1}}

# 递归查找所有整数值
nested_dict ={'a':{'b':1,'c':(2,'x',3)},'d':None}
int_values = research(nested_dict, query=lambda p, k, v:isinstance(v,int))
print(list(int_values))  # 输出：[(('a','b'), 1), (('a','c',0), 2), (('a','c',2), 3)]

remap函数特别适合处理JSON等嵌套数据结构，而research则提供了强大的递归搜索能力。

高效分块处理大数据

当处理大型数据集时，分块处理是提高效率的关键，这种方法比一次性处理整个数据集内存占用减少90%以上，特别适合处理大型文件或数据库查询结果。

from boltons.iterutils import chunked

big_data = list(range(1000))

# 将大数据集分成每批100个
for batch in chunked(big_data, 100):
    process_batch(batch)

智能日期范围生成

通过调整step参数（(年，月，日)元组），可以灵活控制日期步长。

from datetime import date
from boltons.timeutils import daterange

start_date = date(2023,1,1)
end_date = date(2023,1,10)

# 生成日期范围
for day in daterange(start_date, end_date):
print(day)

# 按月生成
for month_day in daterange(date(2023,1,1), date(2023,4,1),
                          step=(0,1,0)):
print(month_day)  # 输出每个月的第一天

字符串智能解析

大幅减少数据清洗和预处理的时间

from boltons.strutils import parse_int_list, camel2under

# 解析复杂数字范围
cpu_cores = parse_int_list('0,7,21-22,48,55,69-70')
print(cpu_cores)  # 输出：[0, 7, 21, 22, 48, 55, 69, 70]

# 驼峰命名转下划线命名
class_name = 'MyAwesomeClass'
print(camel2under(class_name))  # 输出：'my_awesome_class'

有序集合(IndexedSet)

Python标准库的set不保留元素顺序，这在某些场景下很不方便。Boltons提供了有序集合

from boltons.setutils importIndexedSet

# 创建有序集合并保留元素添加顺序
data =IndexedSet(list(range(3,6))+list(range(2)))
print(data)# 输出：IndexedSet([3, 4, 5, 0, 1])

# 支持集合操作同时保持顺序
set1 =IndexedSet([1,3,5])
set2 =IndexedSet([2,3,4])
print(set1 | set2)  # 输出：IndexedSet([1, 3, 5, 2, 4])

高级缓存管理

Boltons的cacheutils模块提供了多种缓存策略，对于计算成本高的操作，合理使用缓存可以提升程序性能10倍以上。

from boltons.cacheutils import LRU

# 创建最近最少使用缓存
cache = LRU(max_size=1000)

# 添加缓存项
cache['query_result'] = expensive_query()

# 获取缓存
if 'query_result' in cache:
    result = cache['query_result']

结构化URL解析

from boltons.urlutils import URL

url = URL('https://user:[email protected]:8042/path?query=param#fragment')

print(url.scheme)    # 输出：'https'
print(url.host)      # 输出：'example.com'
print(url.port)      # 输出：8042
print(url.path)      # 输出：'/path'
print(url.query)     # 输出：'query=param'
print(url.fragment)  # 输出：'fragment'

多文件流式读取

这在处理分块上传的文件或日志文件拼接时特别有用。

from boltons.ioutils import MultiFileReader
from io import BytesIO

file1 = BytesIO(b'First file content')
file2 = BytesIO(b'Second file content')

mfr = MultiFileReader(file1, file2)
combined_content = mfr.read().decode('utf-8')

高级属性缓存

from boltons.cacheutils import cachedproperty

class DataProcessor:
def__init__(self, data):
        self.data = data

    @cachedproperty
def processed_data(self):
	print("Processing data...")
	# 复杂的数据处理过程
returnsorted(self.data)

processor =DataProcessor([5,2,8,1])
print(processor.processed_data)# 第一次调用会计算
print(processor.processed_data)  # 第二次直接返回缓存结果

增强的异常信息

from boltons.tbutils importTracebackInfo

try:
# 可能出错的代码
1/0
exceptExceptionas e:
    tb_info =TracebackInfo.from_exception(e)
print(f"Exception occurred at {tb_info.frames[-1].filename}:{tb_info.frames[-1].lineno}")