目录
时间库—arrow
使用背景
日期时间处理在实际应用场景中无处不在，所以这也成了编程语言中必不可少的模块，Python 也不例外。但是，你知道在Python中有多少个相关的模块吗？datetime、time、calendar、 dateutil、 pytz 等等。 你知道有多少种数据类型吗？date、time、datetime、tzinfo、timedelta 等等。
博主在一次需求中遇到需要统计近几个月间的数据，前端传给我的是当前的时间戳，要通过时间戳来往前推三个月，或者四个月，半年的时间，如果只能通过加减时间的话就会变得很麻烦，所以想到了使用python的时间库----arrow
在介绍时间库之前，我们来看一看python的各个时间格式间是如何转换的
不管怎样，你终究还是要熟练这些模块和API操作的，记不住没关系，至少你都要手动敲几遍，下次遇到时要能做到翻看文档能快速定位到某个类某个方法是做什么用、怎么用。
但今天我要强烈安利给你的这个时间日期库：Arrow。它的灵感来自于 requests 库。将所有繁杂的东西全部隐藏于身后，留给你的是 for humans 接口。充分诠释了 keep it simple and stupid 这句话的含义。
安装arrow
pip install arrow
arrow使用
- 获取当前时间
- 获取不同时间格式
游标卡尺shift
这个是arrow中我认为最好用的一个属性，他可以让你随便将时间进行向前或者向后的推移，基本可以满足你所有关于时间上推算的操作，抓紧用起来吧
- 向后推算时间
- 向前推算时间
- humanize
humanize 方法是相对于当前时刻表示为“多久以前”的一种可读行字符串形式，默认是英文格式，指定 locale 可显示相应的语言格式。
- format
获取arrow对象
- get方法是最好用的获取arrow对象的方式
# 不带参数，等价与 utcnow()
>>> arrow.get()
<Arrow [2018-08-24T07:11:50.528742+00:00]>
# 接受时间戳参数
>>> arrow.get(1535113845)
# 接受一个datetime对象
>>> arrow.get(datetime(2018,8,24))
<Arrow [2018-08-24T00:00:00+00:00]>
# 接收一个date对象
>>> from datetime import date
>>> arrow.get(date(2018,7,24))
<Arrow [2018-07-24T00:00:00+00:00]>
# 接收日期格式的字符串
>>> arrow.get("2018-08-11 12:30:56")
<Arrow [2018-08-11T12:30:56+00:00]>
# 接收日期字符串，并指定格式
>>> arrow.get("18-08-11 12:30:56", "YY-MM-DD HH:mm:ss")
<Arrow [2018-08-11T12:30:56+00:00]>
arrow的类型转换和时区修改
# 字符串转时间
print(arrow.get('2017-10-28T00:00:00+0800'))
# print(arrow.get('2017-10-28', 'YYYY-MM-DD')) # 字符串转时间（不推荐这样用，没有设时区）
print(arrow.get('2017-10-28', 'YYYY-MM-DD', tzinfo='local')) # （推荐）
print(arrow.get('2017-10-28', 'YYYY-MM-DD', tzinfo='Asia/Shanghai')) # 这样也可以
print(arrow.get('2017-10-28 05:30:30', 'YYYY-MM-DD HH:mm:ss', tzinfo='local')) # （推荐）
print('-------------')
# 时间戳
print(local.timestamp) # 时间戳
print(arrow.get('1509120000', tzinfo='local')) # 时间戳字符串，转换为本时区的时间
# 时间转为字符串，输出（格式化）
print(local.format("YYYY-MM-DD"))
print(local.format("YYYY-MM-DD HH:mm:ss"))
print(local.replace(minutes=-1).humanize(locale='zh')) # 本地化个性时间短语： 刚才，1分钟前，1天前，等 （zh_tw 更多语言的支持，去查看arrow/locales.py）
python的arrow库的使用暂时介绍到这里，下篇介绍python处理数据的pandas库，让你能够轻松的处理python中复杂而海量的数据。
总结
本篇文章就到这里了，希望能够给你带来帮助，也希望您能够多多关注华域联盟的更多内容!
您可能感兴趣的文章:
- Python heapq库案例详解
- python数据库如何连接SQLite详解
- python实现图像处理之PiL依赖库的案例应用详解
- Python 数据科学 Matplotlib图库详解
- python中的tkinter库弹窗messagebox详解
- python数据可视化plt库实例详解
本文由 华域联盟 原创撰写：华域联盟 » 一篇文章带你详细了解python中一些好用的库
转载请保留出处和原文链接：https://www.cnhackhy.com/36629.htm
