python开发经验(初学者对python的感想)

CSDN 8318 1093

作者 | 写代码的明哥

来源 | Python编程时光

如何在运行状态查看源代码

查看函数的源代码,我们通常会使用 IDE 来完成。

比如在 PyCharm 中,你可以 Ctrl +鼠标点击进入函数的源代码。

那如果没有 IDE 呢?

当我们想使用一个函数时,如何知道这个函数需要接收哪些参数呢?

当我们在使用函数时出现问题的时候,如何通过阅读源代码来排查问题所在呢?

这时候,我们可以使用 inspect 来代替 IDE 帮助你完成这些事:

# demo.py

import inspect

def add(x, y):

return x + y

print("===================")

print(inspect.getsource(add))

运行结果如下:

$ python demo.py

===================

def add(x, y):

return x + y

如何关闭异常自动关联上下文

当你在处理异常时,由于处理不当或者其他问题,再次抛出另一个异常时,往外抛出的异常也会携带原始的异常信息。

就像这样子:

try:

print(1 / 0)

except Exception as exc:

raise RuntimeError("Something bad happened")

从输出可以看到两个异常信息:

Traceback (most recent call last):

File "demo.py", line 2, in module

print(1 / 0)

ZeroDivisionError: division by zero

During handling of the above exception, another exception occurred:

Traceback (most recent call last):

File "demo.py", line 4, in module

raise RuntimeError("Something bad happened")

RuntimeError: Something bad happened

如果在异常处理程序或 finally 块中引发异常,默认情况下,异常机制会隐式工作会将先前的异常附加为新异常的 __context__属性。这就是 Python 默认开启的自动关联异常上下文。

如果你想自己控制这个上下文,可以加个 from 关键字(from 语法会有个限制,就是第二个表达式必须是另一个异常类或实例。)来表明你的新异常是直接由哪个异常引起的。

try:

print(1 / 0)

except Exception as exc:

raise RuntimeError("Something bad happened") from exc

输出如下:

Traceback (most recent call last):

File "demo.py", line 2, in module

print(1 / 0)

ZeroDivisionError: division by zero

The above exception was the direct cause of the following exception:

Traceback (most recent call last):

File "demo.py", line 4, in module

raise RuntimeError("Something bad happened") from exc

RuntimeError: Something bad happened

当然,你也可以通过 with_traceback 方法为异常设置上下文__context__属性,这也能在 traceback 更好的显示异常信息。

try:

print(1 / 0)

except Exception as exc:

raise RuntimeError("bad thing").with_traceback(exc)

最后,如果我想彻底关闭这个自动关联异常上下文的机制?有什么办法呢?

可以使用 raise...from None,从下面的例子上看,已经没有了原始异常。

$ cat demo.py

try:

print(1 / 0)

except Exception as exc:

raise RuntimeError("Something bad happened") from None

$

$ python demo.py

Traceback (most recent call last):

File "demo.py", line 4, in module

raise RuntimeError("Something bad happened") from None

RuntimeError: Something bad happened

(PythonCodingTime)

最快查看包搜索路径的方式

当你使用 import 导入一个包或模块时,Python 会去一些目录下查找,而这些目录是有优先级顺序的,正常人会使用 sys.path 查看。

 import sys

from pprint import pprint

pprint(sys.path)

['',

'/usr/local/Python3.7/lib/python37.zip',

'/usr/local/Python3.7/lib/python3.7',

'/usr/local/Python3.7/lib/python3.7/lib-dynload',

'/home/wangbm/.local/lib/python3.7/site-packages',

'/usr/local/Python3.7/lib/python3.7/site-packages']

那有没有更快的方式呢?

我这有一种连console 模式都不用进入的方法呢!

你可能会想到这种,但这本质上与上面并无区别:

[wangbm@localhost ~]$ python -c "print('\n'.join(__import__('sys').path))"

/usr/lib/python2.7/site-packages/pip-18.1-py2.7.egg

/usr/lib/python2.7/site-packages/redis-3.0.1-py2.7.egg

/usr/lib64/python27.zip

/usr/lib64/python2.7

/usr/lib64/python2.7/plat-linux2

/usr/lib64/python2.7/lib-tk

/usr/lib64/python2.7/lib-old

/usr/lib64/python2.7/lib-dynload

/home/wangbm/.local/lib/python2.7/site-packages

/usr/lib64/python2.7/site-packages

/usr/lib64/python2.7/site-packages/gtk-2.0

/usr/lib/python2.7/site-packages

这里我要介绍的是比上面两种都方便得多的方法,一行命令即可解决。

[wangbm@localhost ~]$ python3 -m site

sys.path = [

'/home/wangbm',

'/usr/local/Python3.7/lib/python37.zip',

'/usr/local/Python3.7/lib/python3.7',

'/usr/local/Python3.7/lib/python3.7/lib-dynload',

'/home/wangbm/.local/lib/python3.7/site-packages',

'/usr/local/Python3.7/lib/python3.7/site-packages',

]

USER_BASE: '/home/wangbm/.local' (exists)

USER_SITE: '/home/wangbm/.local/lib/python3.7/site-packages' (exists)

ENABLE_USER_SITE: True

从输出你可以发现,这个列的路径会比 sys.path 更全,它包含了用户环境的目录。

将嵌套 for 循环写成单行

我们经常会如下这种嵌套的 for 循环代码:

list1 = range(1,3)

list2 = range(4,6)

list3 = range(7,9)

for item1 in list1:

for item2 in list2:

for item3 in list3:

print(item1+item2+item3)

这里仅仅是三个 for 循环,在实际编码中,有可能会有更层。

这样的代码,可读性非常的差,很多人不想这么写,可又没有更好的写法。

这里介绍一种我常用的写法,使用 itertools 这个库来实现更优雅易读的代码。

from itertools import product

list1 = range(1,3)

list2 = range(4,6)

list3 = range(7,9)

for item1,item2,item3 in product(list1, list2, list3):

print(item1+item2+item3)

输出如下:

$ python demo.py

12

13

13

14

13

14

14

15

如何使用 print 输出日志

初学者喜欢使用 print 来调试代码,并记录程序运行过程。

但是 print 只会将内容输出到终端上,不能持久化到日志文件中,并不利于问题的排查。

如果你热衷于使用 print 来调试代码(虽然这并不是最佳做法),记录程序运行过程,那么下面介绍的这个 print 用法,可能会对你有用。

Python 3 中的 print 作为一个函数,由于可以接收更多的参数,所以功能变为更加强大,指定一些参数可以将 print 的内容输出到日志文件中。

代码如下:

 with open('test.log', mode='w') as f:

... print('hello, python', file=f, flush=True)

exit

$ cat test.log

hello, python

如何快速计算函数运行时间

计算一个函数的运行时间,你可能会这样子做:

import time

start = time.time

# run the function

end = time.time

print(end-start)

你看看你为了计算函数运行时间,写了几行代码了。

有没有一种方法可以更方便的计算这个运行时间呢?

有。

有一个内置模块叫 timeit,使用它,只用一行代码即可:

import time

import timeit

def run_sleep(second):

print(second)

time.sleep(second)

# 只用这一行

print(timeit.timeit(lambda :run_sleep(2), number=5))

运行结果如下:

2

2

2

2

2

10.020059824

利用自带的缓存机制提高效率

缓存是一种将定量数据加以保存,以备迎合后续获取需求的处理方式,旨在加快数据获取的速度。

数据的生成过程可能需要经过计算,规整,远程获取等操作,如果是同一份数据需要多次使用,每次都重新生成会大大浪费时间。所以,如果将计算或者远程请求等操作获得的数据缓存下来,会加快后续的数据获取需求。

为了实现这个需求,Python 3.2 + 中给我们提供了一个机制,可以很方便的实现,而不需要你去写这样的逻辑代码。

这个机制实现于 functool 模块中的 lru_cache 装饰器。

@functools.lru_cache(maxsize=None, typed=False)

参数解读:

maxsize:最多可以缓存多少个此函数的调用结果,如果为None,则无限制,设置为 2 的幂时,性能最佳;

typed:若为 True,则不同参数类型的调用将分别缓存。

举个例子:

from functools import lru_cache

@lru_cache(None)

def add(x, y):

print("calculating: %s + %s" % (x, y))

return x + y

print(add(1, 2))

print(add(1, 2))

print(add(2, 3))

输出如下,可以看到第二次调用并没有真正的执行函数体,而是直接返回缓存里的结果:

calculating: 1 + 2

3

3

calculating: 2 + 3

5

下面这个是经典的斐波那契数列,当你指定的 n 较大时,会存在大量的重复计算:

def fib(n):

if n 2:

return n

return fib(n - 2) + fib(n - 1)

第六点介绍的 timeit,现在可以用它来测试一下到底可以提高多少的效率。

不使用 lru_cache 的情况下,运行时间 31 秒。

import timeit

def fib(n):

if n 2:

return n

return fib(n - 2) + fib(n - 1)

print(timeit.timeit(lambda :fib(40), number=1))

# output: 31.2725698948

由于使用了 lru_cache 后,运行速度实在太快了,所以我将 n 值由 30 调到 500,可即使是这样,运行时间也才 0.0004 秒。提高速度非常显著。

import timeit

from functools import lru_cache

@lru_cache(None)

def fib(n):

if n 2:

return n

return fib(n - 2) + fib(n - 1)

print(timeit.timeit(lambda :fib(500), number=1))

# output: 0.0004921059880871326

在程序退出前执行代码的技巧

使用 atexit 这个内置模块,可以很方便的注册退出函数。

不管你在哪个地方导致程序崩溃,都会执行那些你注册过的函数。

示例如下:

如果clean函数有参数,那么你可以不用装饰器,而是直接调用atexit.register(clean_1, 参数1, 参数2, 参数3='xxx')。

可能你有其他方法可以处理这种需求,但肯定比上不使用 atexit 来得优雅,来得方便,并且它很容易扩展。

但是使用atexit 仍然有一些局限性,比如:

如果程序是被你没有处理过的系统信号杀死的,那么注册的函数无法正常执行。

如果发生了严重的 Python 内部错误,你注册的函数无法正常执行。

如果你手动调用了os._exit,你注册的函数无法正常执行。

实现类似 defer 的延迟调用

在 Golang 中有一种延迟调用的机制,关键字是 defer,例如下面的示例:

import "fmt"

func myfunc {

fmt.Println("B")

}

func main {

defer myfunc

fmt.Println("A")

}

输出如下,myfunc 的调用会在函数返回前一步完成,即使你将 myfunc 的调用写在函数的第一行,这就是延迟调用。

A

B

那么在 Python 中否有这种机制呢?

当然也有,只不过并没有 Golang 这种简便。

在 Python 可以使用上下文管理器达到这种效果:

import contextlib

def callback:

print('B')

with contextlib.ExitStack as stack:

stack.callback(callback)

print('A')

输出如下:

A

B

如何流式读取数G超大文件

使用 with...open... 可以从一个文件中读取数据,这是所有 Python 开发者都非常熟悉的操作。

但是如果你使用不当,也会带来很大的麻烦。

比如当你使用了 read 函数,其实 Python 会将文件的内容一次性的全部载入内存中,如果文件有 10 个G甚至更多,那么你的电脑就要消耗的内存非常巨大。

# 一次性读取

with open("big_file.txt", "r") as fp:

content = fp.read

对于这个问题,你也许会想到使用 readline 去做一个生成器来逐行返回。

def read_from_file(filename):

with open(filename, "r") as fp:

yield fp.readline

可如果这个文件内容就一行呢,一行就 10个G,其实你还是会一次性读取全部内容。

最优雅的解决方法是,在使用 read 方法时,指定每次只读取固定大小的内容,比如下面的代码中,每次只读取 8kb 返回。

def read_from_file(filename, block_size = 1024 * 8):

with open(filename, "r") as fp:

while True:

chunk = fp.read(block_size)

if not chunk:

break

yield chunk

上面的代码,功能上已经没有问题了,但是代码看起来代码还是有些臃肿。

借助偏函数和 iter 函数可以优化一下代码:

from functools import partial

def read_from_file(filename, block_size = 1024 * 8):

with open(filename, "r") as fp:

for chunk in iter(partial(fp.read, block_size), ""):

yield chunk

☞架构的腐化是必然的!

☞腾讯云 AI 在新基建领域下一盘什么大棋

☞张一鸣是如何练就字节跳动的

☞性能超越最新序列推荐模型,华为诺亚方舟提出记忆增强的图神经网络

☞DevOps 在移动应用程序开发中扮演什么角色?

☞稳定币经济:十大稳定币简史

抱歉,评论功能暂时关闭!