安装Python3Home Assistant需要在Python3环境下运行。CentOS7.x自带的Python版本为2.7.5，yum源可安装的Python3版本是3.6。我选择的是手动安装Python3。具体的安装步骤见Python3编译安装安装Home Assistant依赖库按照官网，需要安装的依赖库还不少，但是其他的依赖库在我们安装Python3的时候已经都安装过了，只剩下两个。创建venv环境venv是Python的虚拟环境，可以理解为是一个容器，容器与容器之间的环境是相互隔离的，这样一来，我们在这个环境中对HomeAssistant的一些配置，不会影响到其他使用Python的程序。在创建venv环境的时候，如果提示pip版本过低，则需要对pip进行升级。升级完pip后，开始创建venv环境，注意此时需要使用之前创建的iot用户。此时在目录下会出现一个homeassistant文件夹。接下来激活，使该venv的环境作为我们当前的Python主环境。注意这里我们不再使用python3.9而使用python3。安装一个必须的Python库，如果提示pip版本过低，依然需要升级pip。注意这里安装的库都只在该venv中有效。pip的默认源在国外，当我们安装的时候，下载速度会非常慢。所以我们在此设置清华的pip源。 修改~/.pip/pip.conf文件，没有就创建一个。增加如下信息：安装Home Assistant直接使用启动Home Assistant直接执行如下命令：如果想在后台运行，请加上--daemon。首次启动不建议后台运行。在执行hass后，Home Assistant还会自动下载一些python依赖库和进行一些配置，需要耐心等待一段时间（如果没有配置国内源，可能会等的很久）。这些配置只会在第一次运行hass时执行。访问Home Assistant页面hass执行后，若没有Python相关的异常抛出，就可以访问web页面来注册Home Assistant。默认端口为8123。按照页面要求填写相关资料，然后next。当到这个页面的时候，需要配置MQTT。搜索并选择MQTT。将我们在搭建家庭物联网（1）CentOS 安装Mosquitto 2 - 知乎 (zhihu.com)中搭建好mosquitto服务信息绑定到Home Assistant中，这样Home Assistant就可以接收MQTT信息并展示。我们就能够看到Home Assistant的Dashboard界面。创建传感器使用MQTT Discovery新建一个温度传感器和一个湿度传感器，内容为json格式。打开配置->实体注册表，在里面我们应该能够看到刚创建的温度和湿度传感器。在概览页面（也就是首页），我们可以通过编辑Dashboard的方式把传感器数据放在页面上。自行发送一个传感器数据作为测试，我们可以使用mosquitto的工具自己发送一个数据，如果Web页面能够正常展示数据，说明我们的Home Assistant已经彻底配置完成。
对象的内存使用赋值语句是语言最常见的功能了。但即使是最简单的赋值语句，也可以很有内涵。Python的赋值语句就很值得研究。
a = 1
整数1为一个对象。而a是一个引用。利用赋值语句，引用a指向对象1。Python是动态类型的语言(参考动态类型)，对象与引用分离。Python像使用“筷子”那样，通过引用来接触和翻动真正的食物——对象。
引用和对象
为了探索对象在内存的存储，我们可以求助于Python的内置函数id()。它用于返回对象的身份(identity)。其实，这里所谓的身份，就是该对象的内存地址。
a = 1
print(id(a))
print(hex(id(a)))
在我的计算机上，它们返回的是:
11246696
'0xab9c68'
分别为内存地址的十进制和十六进制表示。
在Python中，整数和短小的字符，Python都会缓存这些对象，以便重复使用。当我们创建多个等于1的引用时，实际上是让所有这些引用指向同一个对象。
a = 1
b = 1
print(id(a))
print(id(b))
上面程序返回
11246696
11246696
可见a和b实际上是指向同一个对象的两个引用。
为了检验两个引用指向同一个对象，我们可以用is关键字。is用于判断两个引用所指的对象是否相同。
# True
a = 1
b = 1
print(a is b)
# True
a = "good"
b = "good"
print(a is b)
# False
a = "very good morning"
b = "very good morning"
print(a is b)
# False
a = []
b = []
print(a is b)
上面的注释为相应的运行结果。可以看到，由于Python缓存了整数和短字符串，因此每个对象只存有一份。比如，所有整数1的引用都指向同一对象。即使使用赋值语句，也只是创造了新的引用，而不是对象本身。长的字符串和其它对象可以有多个相同的对象，可以使用赋值语句创建出新的对象。
在Python中，每个对象都有存有指向该对象的引用总数，即引用计数(reference count)。
我们可以使用sys包中的getrefcount()，来查看某个对象的引用计数。需要注意的是，当使用某个引用作为参数，传递给getrefcount()时，参数实际上创建了一个临时的引用。因此，getrefcount()所得到的结果，会比期望的多1。
from sys import getrefcount
a = [1, 2, 3]
print(getrefcount(a))
b = a
print(getrefcount(b))
由于上述原因，两个getrefcount将返回2和3，而不是期望的1和2。
对象引用对象
Python的一个容器对象(container)，比如表、词典等，可以包含多个对象。实际上，容器对象中包含的并不是元素对象本身，是指向各个元素对象的引用。
我们也可以自定义一个对象，并引用其它对象:
class from_obj(object):
def __init__(self, to_obj):
self.to_obj = to_obj
b = [1,2,3]
a = from_obj(b)
print(id(a.to_obj))
print(id(b))
可以看到，a引用了对象b。
对象引用对象，是Python最基本的构成方式。即使是a = 1这一赋值方式，实际上是让词典的一个键值"a"的元素引用整数对象1。该词典对象用于记录所有的全局引用。该词典引用了整数对象1。我们可以通过内置函数globals()来查看该词典。
当一个对象A被另一个对象B引用时，A的引用计数将增加1。
from sys import getrefcount
a = [1, 2, 3]
print(getrefcount(a))
b = [a, a]
print(getrefcount(a))
由于对象b引用了两次a，a的引用计数增加了2。
容器对象的引用可能构成很复杂的拓扑结构。我们可以用objgraph包来绘制其引用关系，比如
x = [1, 2, 3]
y = [x, dict(key1=x)]
z = [y, (x, y)]
import objgraph
objgraph.show_refs([z], filename='ref_topo.png')
objgraph是Python的一个第三方包。安装之前需要安装xdot。
sudo apt-get install xdot
sudo pip install objgraph
objgraph官网
两个对象可能相互引用，从而构成所谓的引用环(reference cycle)。
a = []
b = [a]
a.append(b)
即使是一个对象，只需要自己引用自己，也能构成引用环。
a = []
a.append(a)
print(getrefcount(a))
引用环会给垃圾回收机制带来很大的麻烦，我将在后面详细叙述这一点。
引用减少
某个对象的引用计数可能减少。比如，可以使用del关键字删除某个引用:
from sys import getrefcount
a = [1, 2, 3]
b = a
print(getrefcount(b))
del a
print(getrefcount(b))
del也可以用于删除容器元素中的元素，比如:
a = [1,2,3]
del a[0]
print(a)
如果某个引用指向对象A，当这个引用被重新定向到某个其他对象B时，对象A的引用计数减少:
from sys import getrefcount
a = [1, 2, 3]
b = a
print(getrefcount(b))
a = 1
print(getrefcount(b))
垃圾回收
吃太多，总会变胖，Python也是这样。当Python中的对象越来越多，它们将占据越来越大的内存。不过你不用太担心Python的体形，它会乖巧的在适当的时候“减肥”，启动垃圾回收(garbage collection)，将没用的对象清除。在许多语言中都有垃圾回收机制，比如Java和Ruby。尽管最终目的都是塑造苗条的提醒，但不同语言的减肥方案有很大的差异 (这一点可以对比本文和Java内存管理与垃圾回收
)。
从基本原理上，当Python的某个对象的引用计数降为0时，说明没有任何引用指向该对象，该对象就成为要被回收的垃圾了。比如某个新建对象，它被分配给某个引用，对象的引用计数变为1。如果引用被删除，对象的引用计数为0，那么该对象就可以被垃圾回收。比如下面的表:
a = [1, 2, 3]
del a
del a后，已经没有任何引用指向之前建立的[1, 2, 3]这个表。用户不可能通过任何方式接触或者动用这个对象。这个对象如果继续待在内存里，就成了不健康的脂肪。当垃圾回收启动时，Python扫描到这个引用计数为0的对象，就将它所占据的内存清空。
然而，减肥是个昂贵而费力的事情。垃圾回收时，Python不能进行其它的任务。频繁的垃圾回收将大大降低Python的工作效率。如果内存中的对象不多，就没有必要总启动垃圾回收。所以，Python只会在特定条件下，自动启动垃圾回收。当Python运行时，会记录其中分配对象(object allocation)和取消分配对象(object deallocation)的次数。当两者的差值高于某个阈值时，垃圾回收才会启动。
我们可以通过gc模块的get_threshold()方法，查看该阈值:
import gc
print(gc.get_threshold())
返回(700, 10, 10)，后面的两个10是与分代回收相关的阈值，后面可以看到。700即是垃圾回收启动的阈值。可以通过gc中的set_threshold()方法重新设置。
我们也可以手动启动垃圾回收，即使用gc.collect()。
分代回收
Python同时采用了分代(generation)回收的策略。这一策略的基本假设是，存活时间越久的对象，越不可能在后面的程序中变成垃圾。我们的程序往往会产生大量的对象，许多对象很快产生和消失，但也有一些对象长期被使用。出于信任和效率，对于这样一些“长寿”对象，我们相信它们的用处，所以减少在垃圾回收中扫描它们的频率。
小家伙要多检查
Python将所有的对象分为0，1，2三代。所有的新建对象都是0代对象。当某一代对象经历过垃圾回收，依然存活，那么它就被归入下一代对象。垃圾回收启动时，一定会扫描所有的0代对象。如果0代经过一定次数垃圾回收，那么就启动对0代和1代的扫描清理。当1代也经历了一定次数的垃圾回收后，那么会启动对0，1，2，即对所有对象进行扫描。
这两个次数即上面get_threshold()返回的(700, 10, 10)返回的两个10。也就是说，每10次0代垃圾回收，会配合1次1代的垃圾回收；而每10次1代的垃圾回收，才会有1次的2代垃圾回收。
同样可以用set_threshold()来调整，比如对2代对象进行更频繁的扫描。
import gc
gc.set_threshold(700, 10, 5)
孤立的引用环
引用环的存在会给上面的垃圾回收机制带来很大的困难。这些引用环可能构成无法使用，但引用计数不为0的一些对象。
a = []
b = [a]
a.append(b)
del a
del b
上面我们先创建了两个表对象，并引用对方，构成一个引用环。删除了a，b引用之后，这两个对象不可能再从程序中调用，就没有什么用处了。但是由于引用环的存在，这两个对象的引用计数都没有降到0，不会被垃圾回收。
孤立的引用环
为了回收这样的引用环，Python复制每个对象的引用计数，可以记为gc_ref。假设，每个对象i，该计数为gc_ref_i。Python会遍历所有的对象i。对于每个对象i引用的对象j，将相应的gc_ref_j减1。
遍历后的结果
在结束遍历后，gc_ref不为0的对象，和这些对象引用的对象，以及继续更下游引用的对象，需要被保留。而其它的对象则被垃圾回收。
在某些对象中会包含对其它对象的引用，这样的对象被称作 容器 ( containers )。因此，我们可以把容器视作用于组织各种元素的数据结构。
下面是一些常见的容器对象：
另外，容器是存储在内存中的数据结构，并且通常会将全部的值都保存在内存中(也有一些特例，并不是所有的元素都放在内存，比如迭代器和生成器对象)。
在某些对象中会包含对其它对象的引用，这样的对象被称作容器(containers)。元组、列表、字典都属于容器。部分容器值可能是指向其它对象的引用。在大多数情况下，当谈到某个容器的值时，我们谈论的仅是值，而不是所包含的对象的 ID(identities)；但是，在讨论容器的可变性时，则只是在谈论容器中直接包含的对象的 ID。因此，如果不可变容器(比如，元组)中包含了对可变对象的引用，那么当被引用的可变对象发生改变时，相应的容器值也将发生改变。
从技术角度来说，容器是实现了 __contains__ 方法的对象，也就是说容器对象肯定可以执行成员测试。
注意：尽管绝大多数容器都提供了某种方式来获取其中包含的每一个元素，但这并不是容器本身提供的能力，而是 iterable 赋予了容器这种能力。容器并不一定都是 iterable，比如： Bloom filter ，虽然 Bloom filter 可以检测某个元素是否存在于容器中，但是并不能从容器中获取其中的每一个值，因为 Bloom filter 并没有把元素存储在容器中，而是通过一个散列函数映射成一个值保存在数组中。
