Python 10 行代码实现常见功能示例

注意事项

1. 字体文件：中文词云必须指定中文字体路径（如 simhei.ttf），否则会出现乱码。请确保系统中有对应字体文件。
2. 停用词：建议在分词后过滤掉无意义的停用词（如'的'、'了'），可使用 jieba 的 add_stop_words 或手动列表过滤。
3. 内存优化：对于超大文本文件，建议分批读取或使用流式处理，避免一次性加载导致内存溢出。

四、批量图像分割

利用百度飞桨（PaddlePaddle）深度学习框架，可以实现高精度的图像语义分割，常用于抠图场景。

代码示例

import os
import paddlehub as hub

humanseg = hub.Module(name='deeplabv3p_xception65_humanseg')
path = './images/'
files = [os.path.join(path, i) for i in os.listdir(path) if i.endswith(('.jpg', '.png'))]
results = humanseg.segmentation(data={'image': files})
print(f"处理完成，共 {len(results)} 张图片")

技术原理

该模型基于 DeepLabV3+ 架构，采用 Xception65 作为骨干网络，专门针对人体分割任务进行了优化。它不仅能识别人物主体，还能区分背景，适用于电商、社交等场景的自动抠图需求。

五、文字情绪识别

自然语言处理（NLP）领域的情感分析可以帮助理解用户反馈。PaddleHub 提供了预训练模型，无需训练即可直接调用。

代码示例

import paddlehub as hub

senta = hub.Module(name='senta_lstm')
sentence = ['你真美', '我好难过', '这个游戏好好玩']
results = senta.sentiment_classify(data={'text': sentence})

for result in results:
    print(f"文本：{result['text']}, 情感：{result['sentiment_key']}, 置信度：{result['positive_probs']}")

结果解读

返回结果为字典列表，包含以下关键字段：

• text: 原始文本。
• sentiment_label: 情感标签（0 为负面，1 为正面）。
• sentiment_key: 情感类别字符串。
• positive_probs / negative_probs: 正负面的概率值，用于判断置信度。

六、口罩检测

结合计算机视觉技术，可以实时检测图像中是否佩戴口罩。这在公共卫生监控场景中具有应用价值。

代码示例

import paddlehub as hub

module = hub.Module(name='pyramidbox_lite_mobile_mask')
image_list = ['face.jpg']
input_dict = {'image': image_list}
module.face_detection(data=input_dict)

运行说明

执行后会在项目目录下生成 detection_result 文件夹，其中包含带有检测框的图片。模型会自动标注人脸位置及口罩佩戴状态。

七、自动化操作模拟

通过 pynput 库可以控制鼠标和键盘，实现简单的自动化脚本。此功能常用于测试或辅助办公，但请注意遵守使用规范，避免滥用。

代码示例

import time
from pynput import mouse, keyboard

time.sleep(5)  # 给予切换窗口时间
m_mouse = mouse.Controller()
m_keyboard = keyboard.Controller()

# 移动到指定坐标
m_mouse.position = (850, 670)
m_mouse.click(mouse.Button.left)

# 循环发送消息
for _ in range(5):
    m_keyboard.type('你好')
    m_keyboard.press(keyboard.Key.enter)
    m_keyboard.release(keyboard.Key.enter)
    time.sleep(1)

风险提示

1. 伦理风险：请勿将此脚本用于恶意刷屏、骚扰他人或攻击服务器。
2. 稳定性：屏幕分辨率变化可能导致坐标失效，建议增加动态获取坐标的逻辑。
3. 权限问题：在某些操作系统上，可能需要授予应用程序辅助功能权限才能控制鼠标键盘。

八、图片文字识别（OCR）

Tesseract 是开源的 OCR 引擎，配合 Pillow 库可以在 Python 中快速提取图片中的文本。

代码示例

import pytesseract
from PIL import Image

img = Image.open('text.jpg')
text = pytesseract.image_to_string(img, lang='chi_sim+eng')
print(text)

配置要求

1. 语言包：默认可能仅支持英文，识别中文需下载 chi_sim.traineddata 并配置路径。
2. 清晰度：输入图片需保持较高清晰度，模糊图片会导致识别率大幅下降。
3. 预处理：建议先对图片进行灰度化、二值化处理以提高准确率。

九、简易猜数字游戏

通过随机数生成和条件判断，可以快速构建交互式小游戏，适合初学者练习逻辑控制。

代码示例

import random

print("1-100 数字猜谜游戏！")
target_num = random.randint(1, 100)
guess = None
count = 0

while guess != target_num:
    try:
        guess = int(input("请输入你猜的数字："))
        count += 1
        if guess == target_num:
            print(f"恭喜，你猜对了！总共猜了 {count} 次")
        elif guess < target_num:
            print("你猜的数小了...")
        else:
            print("你猜的数大了...")
    except ValueError:
        print("请输入有效的整数")

改进建议

1. 异常处理：增加了 try-except 块防止非数字输入导致程序崩溃。
2. 提示优化：可根据猜测次数给出难度提示（如剩余次数）。
3. 持久化：可将最高记录保存到本地文件，增加游戏趣味性。

十、总结

本文展示了 Python 在多个领域的轻量级应用场景。从基础的图形生成到复杂的深度学习模型调用，Python 都能以极简的代码实现核心功能。开发者在实际使用中应注意依赖管理、环境配置及代码的可维护性。对于生产环境，建议增加完善的错误处理机制和日志记录，并根据具体业务需求对原型代码进行重构和优化。