⽤什么库写Python命令⾏程序？看这⼀篇就够了
作者：HelloGitHub-Prodesire
⼀、前⾔
在近半年的 Python 命令⾏旅程中，我们依次学习了 argparse、docopt、click 和 fire 库的特点和⽤法，逐步了解到 Python 命令⾏库的设计哲学与演变。
本⽂作为本次旅程的终点，希望从⼀个更⾼的视⾓对这些库进⾏横向对⽐，总结它们的异同点和使⽤场景，以期在应对不同场景时能够分析利弊，选择合适的库为⼰所⽤。
本系列⽂章默认使⽤ Python 3 作为解释器进⾏讲解。
若你仍在使⽤ Python 2，请注意两者之间语法和库的使⽤差异哦~
⼆、设计理念
在讨论各个库的设计理念之前，我们先设计⼀个计算器程序，其实这个例⼦在 argparse 库的第⼀篇讲解中出现过，也就是：
命令⾏程序接受⼀个位置参数，它能出现多次，且是数字默认情况下，命令⾏程序会求出给定的⼀串数字的最⼤值
如果指定了选项参数 --sum，那么就会将求出给定的⼀串数字的和希望从各个库实现该例⼦的代码中能进⼀步体会它们的设计理念。
2.1、argparse
argparse 的设计理念就是提供给你最细粒度的控制，你需要详细地告诉它参数是选项参数还是位置参数、参数值的类型是什么、该参数的处
理动作是怎样的。
总之，它就像是⼀个没有智能分析能⼒的初代机器⼈，你需要告诉它明确的信息，它才会根据给定的信息去帮助你做事情。以下⽰例为 argparse 实现的 计算器程序：
import argparse
# 1. 设置解析器
parser = argparse.ArgumentParser(description='Calculator Program.')# 2. 定义参数
# 添加位置参数 nums，在帮助信息中显⽰为 num
# 其类型为 int，且⽀持输⼊多个，且⾄少需要提供⼀个
parser.add_argument('nums', metavar='num', type=int, nargs='+', help='a num for the accumulator')
# 添加选项参数 --sum，该参数被 parser 解析后所对应的属性名为 accumulate# 若不提供 --sum，默认值为 max 函数，否则为 sum 函数
parser.add_argument('--sum', dest='accumulate', action='store_const', const=sum, default=max,
help='sum the nums (default: find the max)')
# 3. 解析参数
args = parser.parse_args(['--sum', '1', '2', '3'])
print(args) # 结果：Namespace(accumulate=, nums=[1, 2, 3])# 4. 业务逻辑result = args.accumulate(args.nums)
print(result) # 基于上⽂的 ['--sum', '1', '2', '3'] 参数，accumulate 为 sum 函数，其结果为 6
从上述⽰例可以看到，我们需要通过 add_argument 很明确地告诉 argparse 参数长什么样：
它是位置参数 nums，还是选项参数 --sum
它的类型是什么，⽐如 type=int 表⽰类型是 int
这个参数能重复出现⼏次，⽐如 nargs='+' 表⽰⾄少提供 1 个参数的是存什么的，⽐如 action='store_const' 表⽰存常量
然后它才根据给定的这些元信息来解析命令⾏参数（也就是⽰例中的 ['--sum', '1', '2', '3']）。这是很计算机的思维，虽然冗长，但也带来了灵活性。
2.2、docopt
从 argparse 的理念可以看出，它是命令式的。这时候 docopt 另辟蹊径，声明式是不是也可以？⼀个命令⾏程序的帮助信息其实已然包含了这个命令⾏的完整元信息，那不就可以通过定义帮助信息来定义命令⾏？docopt 就是基于这样的想法去设计的。
声明式的好处在于只要你掌握了声明式的语法，那么定义命令⾏的元信息就会很简单。以下⽰例为 docopt 实现的 计算器程序：
# 1. 定义接⼝描述/帮助信息\"\"\"Calculator Program.
Usage:
calculator.py [--sum] ... calculator.py (-h | --help)Options:
-h --help Show help.
--sum Sum the nums (default: find the max).\"\"\"
from docopt import docopt
# 2. 解析命令⾏
arguments = docopt(__doc__, options_first=True, argv=['--sum', '1', '2', '3'])print(arguments) # 结果：{'--help': False, '--sum': True, '': ['1', '2', '3']}# 3. 业务逻辑nums = (int(num) for num in arguments[''])if arguments['--sum']: result = sum(nums)else:result = max(nums)
print(result) # 基于上⽂的 ['--sum', '1', '2', '3'] 参数，处理函数为 sum 函数，其结果为 6
从上述⽰例可以看到，我们通过 __doc__ 定义了接⼝描述，这和 argparse 中 add_argument 是等价的，然后 docopt 便会根据这个元信息把命令⾏参数转换为⼀个字典。业务逻辑中就需要对这个字典进⾏处理。对⽐与 argparse：
对于更为复杂的命令程序，元信息的定义上 docopt 会更加简单
然⽽在业务逻辑的处理上，由于 argparse 在⼀些简单参数的处理上会更加便捷（⽐如⽰例中的情形），相对来说 docopt 转换为字典后就把所有处理交给业务逻辑的⽅式会更加复杂
2.3、click
命令⾏程序本质上是定义参数和处理参数，⽽处理参数的逻辑⼀定是与所定义的参数有关联的。那可不可以⽤函数和装饰器来实现处理参数逻辑与定义参数的关联呢？⽽ click 正好就是以这种使⽤⽅式来设计的。
click 使⽤装饰器的好处就在于⽤装饰器优雅的语法将参数定义和处理逻辑整合在⼀起，从⽽暗⽰了路由关系。相⽐于 argparse 和 docopt 需要
⾃⾏对解析后的参数来做路由关系，简单了不少。以下⽰例为 click 实现的 计算器程序：
import sysimport click
sys.argv = ['calculator.py', '--sum', '1', '2', '3']
# 2. 定义参数
@click.command()
@click.argument('nums', nargs=-1, type=int)
@click.option('--sum', 'use_sum', is_flag=True, help='sum the nums (default: find the max)')# 1. 业务逻辑
def calculator(nums, use_sum): \"\"\"Calculator Program.\"\"\"
print(nums, use_sum) # 输出：(1, 2, 3) True if use_sum:
result = sum(nums) else:
result = max(nums)
print(result) # 基于上⽂的 ['--sum', '1', '2', '3'] 参数，处理函数为 sum 函数，其结果为 6calculator()
从上述⽰例可以看出，参数和对应的处理逻辑⾮常好地绑定在了⼀起，看上去就很直观，使得我们可以明确了解参数会怎么处理，这在有⼤量参数时显得尤为重要，这边是 click 相⽐于 argparse 和 docopt 最明显的优势。
此外，click 还内置了很多实⽤⼯具和额外能⼒，⽐如说 Bash 补全、颜⾊、分页⽀持、进度条等诸多实⽤功能，可谓是如虎添翼。
2.4、fire
fire 则是⽤⼀种⾯向⼴义对象的⽅式来玩转命令⾏，这种对象可以是类、函数、字典、列表等，它更加灵活，也更加简单。你都不需要定义
参数类型，fire 会根据输⼊和参数默认值来⾃动判断，这⽆疑进⼀步简化了实现过程。以下⽰例为 fire 实现的 计算器程序：
import sysimport fire
sys.argv = ['calculator.py', '1', '2', '3', '--sum']builtin_sum = sum
# 1. 业务逻辑
# sum=False，暗⽰它是⼀个选项参数 --sum，不提供的时候为 False# *nums 暗⽰它是⼀个能提供任意数量的位置参数def calculator(sum=False, *nums): \"\"\"Calculator Program.\"\"\"
print(sum, nums) # 输出：True (1, 2, 3) if sum:
result = builtin_sum(nums) else:
result = max(nums)
print(result) # 基于上⽂的 ['1', '2', '3', '--sum'] 参数，处理函数为 sum 函数，其结果为 6
fire.Fire(calculator)
从上述⽰例可以看出，fire 提供的⽅式⽆疑是最简单、并且最 Pythonic 的了。我们只需关注业务逻辑，⽽命令⾏参数的定义则和函数参数的定义融为了⼀体。
不过，有利⾃然也有弊，⽐如 nums 并没有说是什么类型，也就意味着输⼊字符串'abc'也是合法的，这就意味着⼀个严格的命令⾏程序必须在⾃⼰的业务逻辑中来对期望的类型进⾏约束。
三、横向对⽐
最后，我们横向对⽐下argparse、docopt、click 和 fire 库的各项功能和特点：
argpase
使⽤步骤数使⽤步骤数
4 步
docopt3 步
click2 步
fire1 步1. 业务逻辑
1. 设置解析器
1. 定义接⼝描述
2. 定义参数1. 业务逻辑
2. 解析命令⾏
3. 解析命令⾏2. 定义参数
3. 业务逻辑
4. 业务逻辑✔✔✔
✔✔✘✔✔✔✘✘✘
✔✔✔
选项参数（如 --sum）位置参数（如 X Y）参数默认值
✔✔✔
互斥选项
✔
（如 --car 和 --bus 只能⼆选⼀）可变参数
（如指定多个 --file）嵌套/⽗⼦命令⼯具箱链式命令调⽤类型约束
✔✔✘✘✔
✔
✘
可通过第三⽅库⽀持✔✔✔✘✔
✔✔✔✔✘
Python 的命令⾏库种类繁多、各具特⾊。结合上⾯的总结，可以选择出符合使⽤场景的库，如果⼏个库都符合，那么就根据你更偏爱的风格来选择。这些库都很优秀，其背后的思想很是值得我们学习和扩展。
关注 HelloGitHub 公众号获取第⼀⼿的更新
