如何建立英文网站/建网站公司哪里好

在纯python环境中使用processing的实时画图功能

processing的实时画图功能是很强大的，他提供了最便捷简洁的画图函数，是强大的可视化工具。但是这样的工具也是存在问题的，那就是无法在一般的python环境中使用processing。经过了各种探索，我终于找到了在本地最便捷的从一般python环境中调用processing进行动态可视化的方法，那就在一般的python程序中通过本地网络连接到processing：

具体的说，就是先启动一个processing程序，然后再启动python程序，让两者通过本地网络连接进行通讯，从而使得python程序能够给processing程序发指令。

程序的复杂的代码逻辑都在python中，而不是在processing中，从而使得我们的方案能够被广大的python使用者所使用。processing中的程序体量小，而且是设计好的通用性程序，使得使用者基本不必对其进行更改，从而变得更加方便。最终将processing丰富高效的可视化能力与python的丰富的科学计算生态以及强大的IDE环境的长处共同发挥出来。

在本文中，我们以一个有趣的例子为例，介绍了我们的processing画图器，以及如何在python程序中使用它。而且，整个项目已经有了对应的Git仓库。

本文的内容包括：

• 画图器使用例子：正态分布抽奖机展示
• 如何启动processing画图器
• Python中如何调用画图器

-----发指令前的准备工作：先将python连接到画图器程序
-----rpc指令格式
-----rpc指令的批量发送

• 在普通python环境中使用画图器实现“抽奖机”
• 画图器方案内部细节展示

画图器使用例子：正态分布抽奖机展示

看一下程序效果：

可以看出，在每一帧的指令数达到几十条几百条的时候，可视化图像依旧非常流畅，验证了我们方案的可行性。该程序的具体功能是这样的：

• 从三角堆的顶部持续产生下降的小球。
• 小球在三角堆中从上一行的某个位置（该行白点中的某个白点的位置）走到下一行的两个相邻位置中的一个，且走到下行两个位置各自的概况相同。
• 小球离开三角堆后迅速降落到底部。
• 画面底部还有一个柱形图统计落到每个位置的小球的累计数量。由概率论的知识可以知道，底部的统计条形图基本是依照正态分布而分布的。

（之所以在小标题上加了一个问号❓，是因为不知道这个装置的学名（正式的，惯用的名字）是什么。）

如何启动processing画图器

方法1：

下载python，安装python模式，然后将画图器代码复制到新建立的processingpy工程中，然后点击processing编辑器的启动按钮，从而运行。

方法2：

在下面的路径中，有作者已经上传的打包好的win 程序。在windows系统中下载整个文件夹，然后双击exe文件即可启动画图器。

Python中如何调用画图器

发指令前的准备工作：先将python连接到画图器程序

python程序和画图器之间的连接方式是：在本地网络连接的基础上，进行远程过程调用（RPC）。所以我们先使用python中内置的socket库，连接到画图器的地址：127.0.0.1:12345。然后将下面的RPC类进行实例化，得到rpc，就可以通过对rpc进行操作，实现对于画图器的控制了。具体到我们的程序中，就是说在python程序中要想控制画图器，就需要先启动画图器，并在python中运行以下代码片段：

import socket, json, pickleclass RPCProxy:def __init__(self, connection):self._connection = connectionself.data = []def __getattr__(self, name):def do_rpc(*args, **kwargs):self.data.append(json.dumps((name, args, kwargs)))return do_rpcdef send_all(self):self._connection.send(pickle.dumps(self.data, protocol=0))self.data.clear()address = ('127.0.0.1', 12345)
s = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
s.connect(address)  # 连接到画图器
rpc = RPCProxy(s)  # 得到了rpc

rpc指令格式

画图端程序的画图指令函数用法，和processing中的编程命令是非常类似的，只是在每个函数的前面加了一个 “rpc.” 比如原先在processing中的圆指令就从circle()变成了rpc.circle()。比如说上面的画图程序就来自processing官网的一个入门教程。对应的在processing中的画图命令是这样的：

# python中给画图器发出的命令
rpc.rect(100,100,20,100)
rpc.ellipse(100,70,60,60)
rpc.ellipse(81,70,16,32)
rpc.ellipse(119,70,16,32)
rpc.line(90,150,80,160)
rpc.line(110,150,120,160)# 效果相同的processing程序代码
rect(100,100,20,100);
ellipse(100,70,60,60);
ellipse(81,70,16,32); 
ellipse(119,70,16,32); 
line(90,150,80,160);
line(110,150,120,160);

可用的画图命令包括：arc, circle, ellipse, line, point, quad, rect, square, triangle, fill, stroke, background， 这些命令的详细用法和在processing中是一致的，可以参考：processing reference。在本文程序中，只用到了画圆指令circle和画方指令rect。

rpc指令的批量发送

为了高效而准确地利用画图器指令，我们还需要一个额外的rpc指令rpc.send_all()。在执行这条命令后，会将之前的rpc指令统一发送给画图器，并清空python中的rpc指令缓存。

建议最好每发送完对于一帧的画图指令后，再进行rpc.send_all()。因为这样就能实现画面流畅度的最大化。

所以现在python程序中发出可视化指令的框架是这样的：

for i in rane(100):rpc.background(0)  # 画背景（在最后一行代码处发送）rpc.circle()  # 画原指令（在最后一行代码处发送）rpc.rect()  # 其他画图指令（在最后一行代码处发送）rpc.send_all()  # 发出这一帧对应的所有指令

使用画图器实现“抽奖机”的python代码

在启动画图器后，在python环境中运行画图器代码，就能够获得我们上面视频中的效果了。

想要观看“抽奖机”完整代码可以前往对应Git仓库：

做了一个画图器的完整使用视频：

画图器方案内部细节展示

1 编码方式的改进：

这次的编码使用了： 指令 → json编码 →多条指令组成list → 对list进行pickle编码 → 发送。而在processing中的解码就是与之相反的流程。

这样的编码方式和上次的实现相比有哪些优点：1，指令之间不再需要插入间隔符。2，指令在传输过程中使用的是pickle编码的结果，而不是json编码的结果，效率更高。

2 传输方式的改进：

上次的方法是逐条命令传递，逐条命令执行。这样产生的问题是，由于在python程序中对同一帧画面发出指令的间隔可能会比较大，导致可视化画面闪烁，或者有其他不好的现象。

所以改进成了先将同一帧的指令组装成一个list，然后对这一帧的所有指令统一发送，统一执行的方法，从而实现了画图器方案的优化。