Python自动化测试Eclipse+Pydev 搭建开发环境
Python自动化测试 Eclipse+Pydev 搭建开发环境
C#之所以容易让人感兴趣,是因为安装完Visual Studio, 就可以很简单的直接写程序了,不需要做如何配置。 对新手来说,这是非常好的“初体验”, 会激发初学者的自信和兴趣。
而有些语言的开发环境的配置非常麻烦, 这让新手有挫败感,没有好的“初体验”,可能会对这门语言心存敬畏, 而失去兴趣。
作为一个.NET程序员, 用惯了Visual Studio。 Visual Studio的强大功能,比如智能提示,自动完成等,可以大量减少我们的记忆量和工作量。如果没有智能提示, 那要疯掉了。 现在年纪大了,根本记不住那些函数名, 必须要依赖IDE的智能提示。
学习Python, 第一件最重要的事,就是选择一款IDE, 最好是能拥有Visual Studio那样的功能。
本文重点介绍为什么使用Eclipse+pydev插件来写Python代码, 以及在Mac上配置Eclipse+Pydev 和Windows配置Eclipse+Pydev
阅读目录
好的IDE起码有这些功能
编辑器:Python 自带的 IDLE
编辑器: VI
编辑器: Eclipse + pydev插件
安装Python
安装JAVA JDK
下载Eclipse
pydev插件介绍
在Eclipse中安装pydev插件
配置pydev解释器
开始写个代码
好的IDE起码有这些功能
1. 智能提示,(这样不需要记忆函数名,已经类库,通过智能提示就能调用出来, 而且不会把函数名弄错。)
2. 下断点调试 (写程序的过程中,必须可以下断点,查看变量, 一步一步执行。 这样就容易去阅读别人写的代码)
3. 自动完成功能 (可以加快写代码的速度)
4. 语法错误提示,(脚本语言是一步一步执行的, 直到执行才会直到语法错误。 如果IDE能及时发现编译过程中出现的语法错误)
5. 容易阅读代码,(从一个文件, 到另一个文件,支持阅读后退,查看定义什么的。)
编辑器:Python 自带的 IDLE
简单快捷, 学习Python或者编写小型软件的时候。非常有用。
编辑器: VI
必须掌握的, 万能编辑器。 可以做很多程序的开发, ruby, Python都可以。 支持Windows和Mac. 我的80%同事都是用这个写代码。看着他们的屏幕,满屏的代码,很有程序员的感觉。
不知道为什么, 我个人不是很习惯。 可能是习惯了Visual Studio 这样的图形界面。
但是这个的基本操作还是要会的。 比如要编辑一个文件的时候, 可以用VI来编辑。 方便快捷。 用VI来做大型的开发, 我个人不是很习惯
编辑器: Eclipse + pydev插件
1. Eclipse是写JAVA的IDE, 这样就可以通用了,学习代价小。 学会了Eclipse, 以后写Python或者JAVA 都可以。
2. Eclipse, 功能强大。
3. Eclipse跨平台, 可以在Mac上和Windows运行
安装Python
下载地址:http://www.php.cn/
Python 有 Python 2 和 Python 3 两个版本。 语法有些区别。 保险起见, 我安装Python 2.7.5
安装JAVA JDK
下载地址:http://www.php.cn/
Eclipse 需要这个安装好JAVA JDK后才能运行
下载Eclipse
http://www.php.cn/ 到这下载。
下载完后,解压就可以直接使用, Eclipse不需要安装。
pydev插件介绍
pydev插件的官方网站: http://www.php.cn/
在Eclipse中安装pydev插件
启动Eclipse, 点击Help->Install New Software... 在弹出的对话框中,点Add 按钮。 Name中填:Pydev, Location中填http://www.php.cn/
然后一步一步装下去。 如果装的过程中,报错了。 就重新装。
配置pydev解释器
安装好pydev后, 需要配置Python解释器。
在Eclipse菜单栏中,点击Windows ->Preferences.
在对话框中,点击pyDev->Interpreter - Python. 点击New按钮, 选择python.exe的路径, 打开后显示出一个包含很多复选框的窗口. 点OK
如果是Mac系统, 点击“Auto Config” 按钮
开始写代码
启动Eclipse, 创建一个新的项目, File->New->Projects... 选择PyDev->PyDevProject 输入项目名称.
新建 pyDev Package. 就可以写代码了。
以上就是Eclipse+Pydev 搭建开发环境的资料整理,后续继续补充相关资料,谢谢大家对本站的支持!
更多Python自动化测试Eclipse+Pydev 搭建开发环境相关文章请关注PHP中文网!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

Tutorial ini menunjukkan cara menggunakan Python untuk memproses konsep statistik undang -undang ZIPF dan menunjukkan kecekapan membaca dan menyusun fail teks besar Python semasa memproses undang -undang. Anda mungkin tertanya -tanya apa maksud pengedaran ZIPF istilah. Untuk memahami istilah ini, kita perlu menentukan undang -undang Zipf. Jangan risau, saya akan cuba memudahkan arahan. Undang -undang Zipf Undang -undang Zipf hanya bermaksud: Dalam korpus bahasa semulajadi yang besar, kata -kata yang paling kerap berlaku muncul kira -kira dua kali lebih kerap sebagai kata -kata kerap kedua, tiga kali sebagai kata -kata kerap ketiga, empat kali sebagai kata -kata kerap keempat, dan sebagainya. Mari kita lihat contoh. Jika anda melihat corpus coklat dalam bahasa Inggeris Amerika, anda akan melihat bahawa perkataan yang paling kerap adalah "th

Artikel ini menerangkan cara menggunakan sup yang indah, perpustakaan python, untuk menghuraikan html. Ia memperincikan kaedah biasa seperti mencari (), find_all (), pilih (), dan get_text () untuk pengekstrakan data, pengendalian struktur dan kesilapan HTML yang pelbagai, dan alternatif (sel

Python menyediakan pelbagai cara untuk memuat turun fail dari Internet, yang boleh dimuat turun melalui HTTP menggunakan pakej Urllib atau Perpustakaan Permintaan. Tutorial ini akan menerangkan cara menggunakan perpustakaan ini untuk memuat turun fail dari URL dari Python. Permintaan Perpustakaan Permintaan adalah salah satu perpustakaan yang paling popular di Python. Ia membolehkan menghantar permintaan HTTP/1.1 tanpa menambahkan rentetan pertanyaan secara manual ke URL atau pengekodan data pos. Perpustakaan Permintaan boleh melaksanakan banyak fungsi, termasuk: Tambah data borang Tambah fail berbilang bahagian Akses data tindak balas python Buat permintaan kepala

Berurusan dengan imej yang bising adalah masalah biasa, terutamanya dengan telefon bimbit atau foto kamera resolusi rendah. Tutorial ini meneroka teknik penapisan imej di Python menggunakan OpenCV untuk menangani isu ini. Penapisan Imej: Alat yang berkuasa Penapis Imej

Fail PDF adalah popular untuk keserasian silang platform mereka, dengan kandungan dan susun atur yang konsisten merentasi sistem operasi, peranti membaca dan perisian. Walau bagaimanapun, tidak seperti Python memproses fail teks biasa, fail PDF adalah fail binari dengan struktur yang lebih kompleks dan mengandungi unsur -unsur seperti fon, warna, dan imej. Mujurlah, tidak sukar untuk memproses fail PDF dengan modul luaran Python. Artikel ini akan menggunakan modul PYPDF2 untuk menunjukkan cara membuka fail PDF, mencetak halaman, dan mengekstrak teks. Untuk penciptaan dan penyuntingan fail PDF, sila rujuk tutorial lain dari saya. Penyediaan Inti terletak pada menggunakan modul luaran PYPDF2. Pertama, pasangkannya menggunakan PIP: Pip adalah p

Tutorial ini menunjukkan cara memanfaatkan caching redis untuk meningkatkan prestasi aplikasi python, khususnya dalam rangka kerja Django. Kami akan merangkumi pemasangan Redis, konfigurasi Django, dan perbandingan prestasi untuk menyerlahkan bene

Pemprosesan bahasa semulajadi (NLP) adalah pemprosesan bahasa manusia secara automatik atau separa automatik. NLP berkait rapat dengan linguistik dan mempunyai hubungan dengan penyelidikan dalam sains kognitif, psikologi, fisiologi, dan matematik. Dalam sains komputer

Artikel ini membandingkan tensorflow dan pytorch untuk pembelajaran mendalam. Ia memperincikan langkah -langkah yang terlibat: penyediaan data, bangunan model, latihan, penilaian, dan penempatan. Perbezaan utama antara rangka kerja, terutamanya mengenai grap pengiraan
