1.streamlit测试

2.文件操作

(1) 读取文件

# 读文件
# 1. 打开文件
f = open("resources/望庐山瀑布.txt","r",encoding="utf-8")
# 法一：读取文件内容
# content= f.read();
# print(content)

# 法二：逐行读取
content_list = f.readlines()
# line.strip()作用：去除字符串“首尾”两端的空白字符
for line in content_list:
    print(line.strip())

# 3. 关闭文件
f.close()

(2) 写文件

# 写文件
# 1. 打开文件
f = open("resources/静夜思.txt","w",encoding="utf-8")

# 2. 写入文件内容
f.write("静夜思(李白)\n\n")
f.write("窗前明月光，\n")
f.write("疑是地上霜。\n")
f.write("举头望明月，\n")
f.write("低头思故乡。\n")

# 3. 关闭文件
f.close()

(3) 释放资源---方式一

# 写文件
# 1. 打开文件
f = open("resources/静夜思.txt","w",encoding="utf-8")
try:
    # 2. 写入文件内容
    f.write("静夜思(李白)\n\n")
    f.write("窗前明月光，\n")
    i = 1 / 0
    f.write("疑是地上霜。\n")
    f.write("举头望明月，\n")
    f.write("低头思故乡。\n")
finally:
    print("关闭文件")
    # 3. 关闭文件
    f.close()

(4) 释放资源---方式二(最佳实践)

# 写文件
# 1. 打开文件
with open("resources/静夜思.txt","w",encoding="utf-8") as f:
    # 2. 写入文件内容
    f.write("静夜思(李白)\n\n")
    f.write("窗前明月光，\n")
    f.write("疑是地上霜。\n")
    f.write("举头望明月，\n")
    f.write("低头思故乡。\n")

3.json模块入门

(1) 写入json数据文件

import json

# 写入json数据文件
user = {
    "name": "小甜甜",
    "age": 18,
    "gender": "女",
    "hobbies": ["reading", "swimming"]
}
with open("resources/user.json","w",encoding="utf-8") as f:
    json.dump(user,f,ensure_ascii=False,indent=2)

(2) 读取json数据文件

# 读取json数据文件
with open("resources/user.json","r",encoding="utf-8") as f:
    user = json.load(f)
    print(user)
    print(type(user))

4.ai_partner_1

代码：

import streamlit as st
import os
from openai import OpenAI

print("----------> 重新执行此文件 , 渲染展示页面")

# 设置页面的配置项
st.set_page_config(
    page_title="AI智能伴侣",
    page_icon="🤖",
    # 布局
    layout="wide",
    # 控制的是侧边栏的状态
    initial_sidebar_state="expanded",
    menu_items={}
)

# 大标题
st.title("AI智能伴侣")

# Logo
st.logo("py_project02/resources/logo.png")

# 系统提示词
system_prompt = "你是一名非常可爱的AI助理, 你的名字叫小甜甜, 请你使用温柔可爱的语气回答用户的问题"

# 初始化聊天信息
if "messages" not in st.session_state:
    st.session_state.messages = []

# 展示聊天信息
for message in st.session_state.messages: # {"role": "user", "content": prompt}
    st.chat_message(message["role"]).write(message["content"])


# 创建与AI大模型交互的客户端对象 (DEEPSEEK_API_KEY 环境变量的名字, 值就是DeepSeek的API_KEY的)
client = OpenAI(api_key=os.environ.get('DEEPSEEK_API_KEY'), base_url="https://api.deepseek.com")

# 消息输入框
prompt = st.chat_input("请输入您要问的问题")
if prompt: # 字符串会自动转换为布尔值, 如果字符串非空, 则为True; ""否则为False
    st.chat_message("user").write(prompt)
    print("----------> 调用AI大模型, 提示词: ", prompt)
    # 保存用户输入的提示词
    st.session_state.messages.append({"role": "user", "content": prompt})

    # 调用AI大模型
    response = client.chat.completions.create(
        model="deepseek-chat",
        messages=[
            {"role": "system", "content": system_prompt},
            {"role": "user", "content": prompt},
        ],
        stream=False
    )

    # 输出大模型返回的结果
    print("<---------- 大模型返回的结果: ", response.choices[0].message.content)
    st.chat_message("assistant").write(response.choices[0].message.content)
    # 保存大模型返回的结果
    st.session_state.messages.append({"role": "assistant", "content": response.choices[0].message.content})

(1)st.set_page_config()

在使用 st.set_page_config() 时，有一条绝对规则：它必须是你的 Streamlit 脚本中第一个出现的 Streamlit 命令。如果把它放在 st.title()、st.write() 甚至 st.sidebar 之后，程序会报错。

(2) st.session_state

st.session.state是 streamlit 中用于在用户会话期间持久化存储数据的核心机制。要理解它的作用，首先需要明白 streamlit 的一个核心运行机制：每次用户与应用的交互（如点击按钮、选择下拉菜单）都会触发整个脚本从头到尾重新运行。这意味着，普通的 python 变量在每次交互后都会被重置。st.session_state就像一个“魔法字典”，它存储的数据会在整个会话期间保留下来，即使脚本反复重运行，数据也不会丢失。可以把它想象成一个应用的“记忆体”，让应用能够“记住”用户的选择和状态。

主要作用：

1）保持用户状态

这是最常见的作用。例如，记录用户是否已登录、在多步骤表单中保存用户上一步的输入、记住用户选择的语言等。

2)实现计数器

这是理解 st.session_state最经典的例子。

错误示范 (使用普通变量):

import streamlit as st

count = 0  # 每次交互后都会被重置为0
st.write(f"计数: {count}")
if st.button("增加"):
    count += 1

在这个例子中，无论点击多少次按钮，计数永远是 1。因为点击按钮后，脚本重跑，count又被初始化为 0 了。

注意：st.button("增加") 的作用是创建一个标签为“增加”的按钮。

它的核心工作机制如下：

• 触发重运行 (Re-run)：Streamlit 应用的脚本是自上而下执行的。每当用户与页面上的任何组件（包括按钮）进行交互时，整个 Python 脚本都会从头到尾重新运行一次。
• 返回布尔值：st.button() 函数会返回一个布尔值。
  • 如果用户刚刚点击了这个按钮，它会返回 True。
  • 在其他情况下（例如页面首次加载，或点击了其他组件导致重运行），它会返回 False。

正确示范 (使用st.session_state):

import streamlit as st

# 1. 初始化：检查键是否存在，不存在则创建
if 'count' not in st.session_state:
    st.session_state.count = 0

st.write(f"计数: {st.session_state.count}")

# 2. 修改：在回调函数或直接操作中修改
if st.button("增加"):
    st.session_state.count += 1

现在，每次点击按钮，计数都会正确地累加。

3)防止重复提交和操作锁定

在执行耗时操作（如加载大数据、调用AI模型）时，可以使用 session_state设置一个“锁”，防止用户多次点击按钮导致程序重复执行或崩溃。

if 'is_processing' not in st.session_state:
    st.session_state.is_processing = False

if st.button("开始处理") and not st.session_state.is_processing:
    st.session_state.is_processing = True  # 上锁
    # ... 执行耗时操作 ...
    st.session_state.is_processing = False # 解锁

4)跨页面传递数据

在多页面应用（Multi-page App）中, st.session_state是在不同页面间共享和传递数据的理想工具。例如，用户在首页选择的参数，可以在结果页中读取和使用。

st.session_state的使用方式非常像一个 Python 字典。

基本用法

1)初始化

在使用任何 session_state 变量前，最好先检查它是否存在，并设置一个默认值。这通常在脚本的开头进行。

if 'user_name' not in st.session_state:
    st.session_state.user_name = ''
if 'login_status' not in st.session_state:
    st.session_state.login_status = False

2)赋值与读取

# 赋值
st.session_state['my_key'] = 'some_value'
st.session_state.my_key = 'some_value' # 也可以用点号访问

# 读取
name = st.session_state['user_name']
status = st.session_state.login_status

3)与组件组合

许多 Streamlit 组件（如 st.text_input, st.checkbox）都有一个 key 参数。当设置了 key 后，组件的值会自动与 st.session_state 中对应键的值同步。

st.text_input("你的名字", key="name_input")
# 可以直接通过 session_state 获取输入框的值
st.write(f"你好, {st.session_state.name_input}")

注意：

1)数据生命周期：st.session_state 中的数据在用户的浏览器标签页关闭或会话超时后会被清除。

2)服务器端存储：session_state 的数据存储在服务器内存中。如果应用用户量巨大，需要留意服务器的内存使用情况。

3)与缓存（@st.cache_data）的区别：

• st.session_state 用于存储用户特定的、易变的状态（如登录信息、表单输入）。
• @st.cache_data 用于缓存耗时的、不变的计算结果或数据加载（如读取大型CSV文件、训练好的模型），以提升所有用户的访问性能。

(3)st.chat_message

st.chat_message 是一个专门用于构建对话式应用（如聊天机器人、AI 助手）的核心组件。简单来说，它的作用是创建一个“气泡”容器，用来展示单条聊天消息。

核心功能与作用：

• 视觉区分：它会根据你指定的角色（name 参数），自动渲染不同的样式。例如，"user" 通常显示在右侧（或带有人像图标），而 "assistant" 显示在左侧（或带有机器人图标）。
• 内容容器：它不仅仅能显示文字。在这个容器内部，你可以放入任何 Streamlit 支持的元素，比如 Markdown 文本、代码块、图表（st.bar_chart）、图片甚至数据表格。
• 上下文管理：通常配合 with 语句使用，表示“在这个消息气泡里，我要放入以下内容”。

import streamlit as st

# 1. 显示用户的消息（通常靠右，带人像图标）
with st.chat_message("user"):
    st.write("你好，请问今天天气如何？")

# 2. 显示助手的消息（通常靠左，带机器人图标）
with st.chat_message("assistant"):
    st.write("今天天气晴朗，气温适宜！")
    st.bar_chart([1, 2, 3]) # 甚至可以放图表

注意：

如果你只是写 st.chat_message，你会发现页面刷新后消息就不见了。这是因为 Streamlit 的脚本是“无状态”的，每次交互（比如输入新消息）都会导致整个脚本从头重跑，变量会被重置。必须配合st.session_state使用，为了记住聊天历史，你需要把每一条消息存进st.session_state列表，并在页面加载时遍历显示它们

import streamlit as st

st.title("💬 我的聊天机器人")

# 1. 初始化聊天历史（如果还没初始化）
if "messages" not in st.session_state:
    st.session_state.messages = []

# 2. 遍历历史消息并显示在界面上
# 这是关键！每次页面重跑，都会把存下来的历史记录重新画一遍
for message in st.session_state.messages:
    with st.chat_message(message["role"]):
        st.markdown(message["content"])

# 3. 处理用户的新输入
if prompt := st.chat_input("说点什么..."):
    # A. 显示并保存用户的消息
    with st.chat_message("user"):
        st.markdown(prompt)
    st.session_state.messages.append({"role": "user", "content": prompt})

    # B. 模拟助手回复（实际开发中这里会调用 API）
    response = f"我收到了你的消息：{prompt}"
    
    with st.chat_message("assistant"):
        st.markdown(response)
    st.session_state.messages.append({"role": "assistant", "content": response})

(4)调用API

client = OpenAI(api_key=os.environ.get('DEEPSEEK_API_KEY'), base_url="https://api.deepseek.com")什么意思

这行代码的作用是创建一个连接到 DeepSeek 大模型 API 的客户端（Client）对象。简单来说，这是让你的 Python 程序能够“说话”并调用 DeepSeek（深度求索）模型（如 deepseek-chat）进行对话的“通行证”和“连接器”。这段代码通常用于替代 OpenAI 的官方 SDK，因为它使用了 OpenAI 的 Python 库语法，但将请求转发到了 DeepSeek 的服务器地址

1.client：这是你创建的变量名，用来存储这个连接对象。之后你就可以用client来发送请求

2.openAI(...)：

(1)这是OenAI官方Python SDK(openai库)提供的一个类

(2)虽然名字叫OpenAI，但因为DeepSeek的API接口兼容OpenAI的协议，所以我们可以"借用"这个类来连接DeepSeek

参数设置：

1.api_key：你的密钥。代码中使用了os.environ.get('DEEPSEEK_API_KEY')，意思是去环境变量中读取名为DEEPSEEK_API_KEY的值。这是一种安全做法，避免将密钥直接写在代码里暴露出去

2.base_url：服务器地址。这里明确指定"https://api.deepseek.com"。这意味着，虽然你用了OpenAI的库，但你的请求实际上会被发送到DeepSeek的服务器，而不是OpenAI的服务器