Python实战教程：用Pygame从零打造五子棋对战游戏

为什么选五子棋作为Python实战项目

对于正在学习Python的初学者来说，从零构建一个完整的小游戏，是巩固编程基础、理解程序结构的绝佳方式。五子棋（Gomoku）规则简单、逻辑清晰，却涵盖了图形界面绘制、鼠标事件处理、游戏状态管理、胜负判定算法等多个核心知识点，是一个兼具趣味性与教学价值的入门级实战项目。

值得一提的是，五子棋在计算机博弈（Computer Game Playing）研究领域有着悠久的历史地位。五子棋起源于中国古代，后经日本发展为现代竞技形式，在19世纪末传入欧洲并形成国际规则。在禁手规则（黑棋禁止三三、四四、长连）下，理论上已证明先手（黑棋）必胜，但标准15×15五子棋的完整状态空间仍未被穷举，这使其成为展示搜索算法与启发式剪枝技术的绝佳教学案例——从入门练手到AI进阶，五子棋提供了一条完整的学习路径。

本文基于B站UP主分享的Python五子棋对战小游戏教程，梳理该项目的完整实现思路。整个项目被拆分为六个清晰的模块，从模块导入到主循环，环环相扣，非常适合初学者按部就班地跟练。

六大核心模块：项目结构一览

根据教程作者的拆解，这个五子棋游戏的完整代码由六个部分组成，每一部分承担着独立的职责，体现了良好的程序结构设计思维。

第一部分：模块导入与初始化

项目使用 pygame 这一经典的Python游戏开发库实现图形界面。Pygame基于SDL（Simple DirectMedia Layer）底层图形库封装而来，自2000年发布以来已成为Python入门游戏开发的事实标准，提供了窗口管理、图形渲染、声音播放、键鼠事件处理等一整套工具链，让开发者无需深入了解底层图形API即可快速构建2D游戏原型。

SDL于1998年由Sam Lantinga开发，最初是为了将《文明：权力的召唤》移植到Linux而创建，采用硬件抽象层（HAL）设计：在Windows上调用DirectX或GDI+，在macOS上调用Metal/OpenGL，在Linux上调用X11、Wayland或KMS/DRM，实现真正的跨平台图形输出。Pygame通过Python的C扩展机制（CPython Extension）将SDL的C接口包装为Python可调用的模块——例如pygame.Surface对应SDL内部的SDL_Surface结构体，pygame.display.flip()实际调用SDL_Flip()完成帧缓冲交换。这种分层架构意味着，即便Python本身是解释执行的，图形渲染的核心计算依然在C层高效完成，这也是初学者用寥寥数百行Python代码就能实现流畅图形界面的根本原因。

在程序开头，需要导入必要的模块并调用 pygame.init() 完成初始化工作，为后续的窗口创建、事件监听打好基础。

第二部分：颜色与游戏参数定义

这一部分集中定义程序中会反复用到的常量，包括棋盘颜色、黑白棋子颜色、线条颜色等RGB值，以及棋盘尺寸（15×15）、窗口大小、格子间距等游戏参数。将这些参数统一管理，既方便后续调用，也便于整体调整，是良好的编程习惯。

RGB（红绿蓝）色彩模型是计算机图形学中最常用的颜色表示方式，每个分量取值0-255，三值组合可表达约1670万种颜色。这一模型的物理依据是人眼视网膜上存在三种锥细胞（S/M/L型），分别对短波长（蓝色，~420nm）、中波长（绿色，~530nm）和长波长（红色，~560nm）的光最为敏感——此理论由托马斯·杨（Thomas Young）于1802年提出，后由赫尔曼·冯·亥姆霍兹（Hermann von Helmholtz）完善为杨-亥姆霍兹三色理论。计算机显示器的每个像素由红、绿、蓝三个子像素构成，8位深度下三通道组合产生256³≈1677万种颜色，超过人眼能分辨的颜色数量上限（约1000万种）。在Pygame中，颜色通常以三元组(R, G, B)传入，也支持四元组(R, G, B, A)添加Alpha透明度通道，用于实现半透明效果。在实际编程中，将所有颜色常量集中定义（如 BLACK = (0, 0, 0)、BOARD_COLOR = (220, 179, 92)），不仅避免了"魔法数字"的出现，还使日后更换主题配色时只需修改一处即可全局生效，是提升代码可维护性的重要习惯。

第三部分：字体设置

游戏中需要显示当前回合状态、胜利提示等文字信息，因此需要提前设置字体对象。通过 pygame.font 模块加载合适的字体和字号，为状态显示和胜利弹窗提供支持。

在Pygame中，字体对象创建后可反复调用 render() 方法生成文字Surface，再通过 blit() 绘制到屏幕指定位置。从底层原理看，render() 方法会将字符串栅格化（Rasterize）为像素图像：现代字体文件（如TrueType的.ttf或OpenType的.otf格式）以贝塞尔曲线（Bézier Curves）描述字形轮廓，Pygame底层调用FreeType2库执行栅格化——首先将贝塞尔曲线转换为多边形轮廓，然后用扫描线算法（Scanline Algorithm）填充像素，最后应用亚像素抗锯齿（Sub-pixel Anti-aliasing）来平滑边缘。这一过程在字体尺寸较大时计算量显著增加，因此"创建一次、多次渲染"的设计思路至关重要：对于游戏中频繁显示的固定文字（如"黑棋回合"），建议在初始化阶段一次性渲染好并缓存Surface结果；对于需要动态变化的文字（如计时器数字），则在每次数值改变时才重新调用 render()，以平衡灵活性与性能。

游戏状态管理与函数设计

第四部分：游戏初始化状态

这一部分负责维护游戏的运行状态——用一个二维数组记录棋盘上每个位置的落子情况（空、黑子、白子），用变量跟踪当前轮到哪一方落子，以及标记游戏是否已经结束。

用二维列表（List of Lists）表示棋盘状态是矩阵类问题的经典数据结构选择：15×15的棋盘对应一个 board[15][15] 的二维数组，每个元素存储该格状态（0=空，1=黑子，2=白子），坐标映射直观，访问任意位置的时间复杂度为O(1)。在Python中，可通过列表推导式 board = [[0]*15 for _ in range(15)] 快速创建这一结构——注意不能用 [[0]*15]*15，这是初学者最常犯的经典错误：*15操作并不复制内层列表，而是让外层列表的15个槽位全部指向同一个内层列表对象（浅拷贝，Shallow Copy），导致修改board[0][0]会同时改变所有行的第0列。而列表推导式每次迭代都调用[0]*15创建全新的列表对象，确保15行相互独立。若追求更高的内存效率，可改用NumPy的np.zeros((15,15), dtype=np.int8)，其以真正的连续C数组存储数据，访问速度比Python列表快数十倍，更适合后续引入AI搜索算法时的高频棋盘状态读写。清晰的状态管理是保证游戏逻辑正确运行的基础。

第五部分：核心函数定义

作者将核心逻辑封装成多个独立函数，充分体现了模块化编程的思想，主要包括：

• 玩家名称转换函数：将内部棋子标记（如1、2）转换为"黑棋""白棋"等可读文字。
• 胜负判定函数：检测某一方是否达成五子连珠，是整个游戏的算法核心。该函数需分别判断横向、纵向、正斜线、反斜线四个方向的连子情况。常见实现方式是从最新落子点向两侧延伸计数，若某方向连续同色棋子总计达到5枚即判定获胜。由于每次只需检查最新落子点周围固定范围（最多向每侧延伸4格，共8×4=32个格子），时间复杂度为O(1)，远比每次扫描全棋盘（O(n²)）高效。更进阶的位棋盘（Bitboard）表示法可将棋盘状态压缩为整数的二进制位，利用CPU位运算在单条指令内完成多格检查，进一步提速数十倍——这一"局部检查"与"位操作优化"的双重思路，是理解算法局部性原理与底层优化的直观案例。
• 棋盘绘制函数：负责渲染15×15网格及已落下的棋子。
• 状态显示函数：实时显示当前回合与提示信息。
• 胜利弹窗函数：一方获胜时弹出对应提示。

将功能拆分为函数，不仅让代码结构更清晰，也大幅提升了可维护性与复用性——这正是初学者需要重点培养的工程化思维。

游戏主循环与实际运行效果

第六部分：游戏主循环

主循环是所有Pygame游戏的运行核心，也是事件驱动编程（Event-Driven Programming）范式的典型体现。与传统顺序执行的程序不同，事件驱动程序的执行流程由外部事件（鼠标点击、键盘输入、窗口关闭等）驱动——程序本身并不主动推进，而是被动等待并响应事件。

Pygame的主循环本质上是一个持续轮询（Polling）事件队列的无限循环：每帧调用 pygame.event.get() 取出队列中积累的所有事件，逐一判断类型并执行对应逻辑，最后调用 pygame.display.flip() 将缓冲区内容刷新到屏幕。这种"获取事件→更新状态→重绘画面"的三段式结构，即著名的游戏循环模式（Game Loop Pattern）——由Robert Nystrom在《游戏编程模式》一书中系统归纳，是几乎所有实时交互程序的基础架构，从简单的2D小游戏到商业3A大作均遵循这一范式。帧率（FPS）控制同样关键：Pygame提供pygame.time.Clock对象，调用clock.tick(60)可精确限制帧率上限为60FPS，其内部通过计算上帧耗时、调用操作系统sleep()函数补足剩余时间来实现节流（Throttling）——对于五子棋这类回合制游戏，帧率约束不影响游戏逻辑，但可显著降低CPU占用（无限制循环会导致单核占用率接近100%）。理解事件驱动与游戏循环，是初学者从线性脚本思维转向GUI/游戏开发思维的关键跨越。主循环持续监听用户输入，根据事件更新游戏状态，并不断重绘画面。当玩家点击鼠标左键时，程序计算落点对应的棋盘坐标，放置当前回合的棋子，随即调用胜负判定函数检查是否分出胜负。

实际演示效果

运行代码后，游戏窗口呈现标准的15×15棋盘，玩法直观流畅：

1. 鼠标左键点击棋盘任意交叉点，落下黑子；
2. 落子后回合自动切换到白方；
3. 黑白双方轮流落子，率先达成五子连珠即判定获胜；
4. 游戏结束后，点击任意位置即可重新开局。

演示中分别展示了黑棋获胜和白棋获胜两种情况，系统均能正确弹出"黑棋胜利"或"白棋胜利"提示，验证了胜负判定逻辑的正确性。

从练手到进阶：实战项目的真正价值

这个Python五子棋项目规模虽小，却"麻雀虽小，五脏俱全"。它让初学者在一个完整项目中综合运用变量、列表、函数、循环、条件判断等基础语法，同时接触图形界面开发与事件驱动编程的核心思想。

对于想要从入门迈向进阶的学习者，动手完成大量类似实战项目，远比单纯阅读教程更能提升编程能力。建议跟练完成后，尝试自行扩展功能，例如：加入悔棋功能、实现人机对战AI、增加计时器或计分系统等。

其中，实现人机对战AI是最具挑战性也最具教学价值的进阶方向。经典的Minimax算法由约翰·冯·诺依曼（John von Neumann）于1928年在博弈论论文中正式提出，后被克劳德·香农（Claude Shannon）于1950年引入计算机国际象棋领域。其核心假设是双方均采取最优策略：算法将棋局建模为一棵博弈树，AI（Max方）试图最大化己方得分，玩家（Min方）试图最小化AI得分，递归搜索所有可能的落子序列，在叶节点通过静态评估函数（Heuristic Evaluation Function）打分并逐层回传最优值。然而，五子棋每步的合法落点多达数十至数百个，纯Minimax在深度稍大时搜索空间会呈指数级爆炸（O(b^d)，b为分支因子，d为搜索深度）。

Alpha-Beta剪枝正是为此而生，由约翰·麦卡锡（John McCarthy）团队在1956年前后独立发现：算法在搜索过程中维护两个边界值α（已知最优Max值）和β（已知最优Min值），当发现某分支不可能超越当前边界时立即剪掉，理论上可将搜索节点数从O(b^d)压缩至O(b^(d/2))——意味着在相同时间内可将搜索深度翻倍，使AI棋力显著提升。现代五子棋AI还会在Alpha-Beta基础上叠加迭代加深（Iterative Deepening）、置换表（Transposition Table，缓存已计算棋局的评估结果）和启发式落点排序（Move Ordering，优先搜索最有价值的落点），进一步将实际搜索效率压缩到理论极限的数倍以内。

从双人对战扩展到人机对战，不仅是功能上的升级，更是从基础算法迈向人工智能领域的重要一步。通过不断改造与优化，才能真正将知识内化为自己的能力。

核心要点

核心要点

核心要点