在ctf中也有众多需要处理图片的题目，有时候手动批量处理比较繁琐，有时候人工识别根本不现实。这时候又要进行编程了，而这里用到的库就是PIL(Python Imaging Library)

最近正在研究python3与python2的特性区别，也搜了一些资料，不过好像大家都没有提到python3中函数式编程部分与python2的区别。正好官方文档里面有个howto就说了这一节，稍微看了看，总结了一下python3中FP的特点。（其实就是翻译嘛:)）

守护(Daemon)进程是linux中的一种重要的系统管理手段，一般名称都以d结尾，运行在系统的后台，完成一些监控或者服务的工作。在Python中也是可以实现这样的功能，不过现在好像也有外部库支持了，其实也不难。

signal是进程间通信与异步处理的一种手段，当遇到并发性编程或者系统级的控制时，就需要我们能够控制程序的信号处理进程，完成一些额外的工作。

稍微看了一下signal模块的官方文档，从使用上来说还是相当简单的。

Python的数据持久化方式有很多种，比较好用又相对轻量级的就属JSON与Pickle这2种了。其实两者的使用方式非常相近，这里记录下来备忘。

JSON

python中处理JSON的库就是json模块，需要用到的方法大致就是以下4个，其实它们的参数有很多这里暂且省略。

1
2
3
4
5
6
7
8

import json
obj = {'a' : 'b', 'c' : 'd'}
fp = open('obj.json', 'w')
json.dump(obj, fp)
fp.close()
s = json.dumps(obj)
x = json.load(open('obj.json', 'r'))
y = json.loads(s)

上一篇文章介绍了线程内的并发——协程，但有的时候协程也不能解决所有的问题，因为Python自己启用了GIL(全局解释锁，具体是什么还没研究)，所以不能发挥多核处理器的优势。所以我想到在进程级别再并发一次好了。

multiprocessing这个库提供了对于多进程的支持，主要就是使用其中的Pool进程池技术。

之前一直没有仔细研究过python的并发方案，实习的时候终于有了这样的需求。

Gevent是Python中coroutine协程的一种实现，基于Greenlet。之前我只是听说过其在性能优化上简单而有效，正好最近有并发需要，所以就稍微用了一下。

确实是非常简单，其中的monkey库可以直接patch系统的多进程、多线程还有socket的实现，具体的调用方法就是monkey.patch_xxx()，xxx可以是socket，ssl，os，subprocess，thread等。还可以直接调用monkey.patch_all()执行所有的patch。

gevent的好处在于可以自动切换协程，一般来说I/O操作比较耗时，那么当一个协程在等待I/O时，它会自动切换到其他协程工作，这样就能够充分利用CPU了。

Numpy中最常用的是ndarray数组，而因为其是多维的有时候需要在不同维度上进行切片。

其实它的切片方式与Matlab类似，熟练以后就很好掌握了。

基本原理是这样，首先切片需要使用序列生成即冒号运算符:

一个单冒号为选取整个序列，也可以指定范围，如1:5表示1~4(包括)这4个元素。同时可以指定步长如1:6:2表示选取1,3,5这3个元素，这个与Python的列表切片是一致的。

然后，使用逗号,来区分轴(axis)，轴可以简单地理解为在某个维度上的投影。例如axis=0指的就是行，axis=1指的就是列。那么第一个选取就是行，第二个选取的就是列，中间用逗号隔开，例如下面的一条语句。

1

arr[:,2]