作者 | 寫代碼的明哥

來源 | Python編程時光

如何在運行狀態(tài)查看源代碼

查看函數(shù)的源代碼，我們通常會使用 IDE 來完成。

比如在 PyCharm 中，你可以 Ctrl 鼠標點擊進入函數(shù)的源代碼。

那如果沒有 IDE 呢？

當我們想使用一個函數(shù)時，如何知道這個函數(shù)需要接收哪些參數(shù)呢？

當我們在使用函數(shù)時出現(xiàn)問題的時候，如何通過閱讀源代碼來排查問題所在呢？

這時候，我們可以使用 inspect 來代替 IDE 幫助你完成這些事：

# demo.py
import inspect

def add(x, y):
return x y

print(“===================”)
print(inspect.getsource(add))

運行結果如下：

$ Python demo.py
===================
def add(x, y):
return x y

如何關閉異常自動關聯(lián)上下文

當你在處理異常時，由于處理不當或者其他問題，再次拋出另一個異常時，往外拋出的異常也會攜帶原始的異常信息。

就像這樣子：

try:
print(1 / 0)
except Exception as exc:
raise RuntimeError(“Something bad happened”)

從輸出可以看到兩個異常信息：

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

如果在異常處理程序或 finally 塊中引發(fā)異常，默認情況下，異常機制會隱式工作會將先前的異常附加為新異常的 __context__屬性。這就是 Python 默認開啟的自動關聯(lián)異常上下文。

如果你想自己控制這個上下文，可以加個 from 關鍵字（from 語法會有個限制，就是第二個表達式必須是另一個異常類或實例。）來表明你的新異常是直接由哪個異常引起的。

try:
print(1 / 0)
except Exception as exc:
raise RuntimeError(“Something bad happened”) from exc

輸出如下：

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

當然，你也可以通過 with_traceback 方法為異常設置上下文__context__屬性，這也能在 traceback 更好的顯示異常信息。

try:
print(1 / 0)
except Exception as exc:
raise RuntimeError(“bad thing”).with_traceback(exc)

最后，如果我想徹底關閉這個自動關聯(lián)異常上下文的機制？有什么辦法呢？

可以使用 raise…from None，從下面的例子上看，已經沒有了原始異常。

$ 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)

最快查看包搜索路徑的方式

當你使用 import 導入一個包或模塊時，Python 會去一些目錄下查找，而這些目錄是有優(yōu)先級順序的，正常人會使用 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’]
>>>

那有沒有更快的方式呢？

我這有一種連console 模式都不用進入的方法呢！

你可能會想到這種，但這本質上與上面并無區(qū)別：

[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

這里我要介紹的是比上面兩種都方便得多的方法，一行命令即可解決。

[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

從輸出你可以發(fā)現(xiàn)，這個列的路徑會比 sys.path 更全，它包含了用戶環(huán)境的目錄。

將嵌套 for 循環(huán)寫成單行

我們經常會如下這種嵌套的 for 循環(huán)代碼：

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)

這里僅僅是三個 for 循環(huán)，在實際編碼中，有可能會有更層。

這樣的代碼，可讀性非常的差，很多人不想這么寫，可又沒有更好的寫法。

這里介紹一種我常用的寫法，使用 itertools 這個庫來實現(xiàn)更優(yōu)雅易讀的代碼。

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)

輸出如下：

$ python demo.py
12
13
13
14
13
14
14
15

如何使用 print 輸出日志

初學者喜歡使用 print 來調試代碼，并記錄程序運行過程。

但是 print 只會將內容輸出到終端上，不能持久化到日志文件中，并不利于問題的排查。

如果你熱衷于使用 print 來調試代碼（雖然這并不是最佳做法），記錄程序運行過程，那么下面介紹的這個 print 用法，可能會對你有用。

Python 3 中的 print 作為一個函數(shù)，由于可以接收更多的參數(shù)，所以功能變?yōu)楦訌姶?，指定一些參?shù)可以將 print 的內容輸出到日志文件中。

代碼如下：

>>> with open(‘test.log’, mode=’w’) as f:
… print(‘hello, python’, file=f, flush=True)
>>> exit

$ cat test.log
hello, python

如何快速計算函數(shù)運行時間

計算一個函數(shù)的運行時間，你可能會這樣子做：

import time

start = time.time

# run the function

end = time.time
print(end-start)

你看看你為了計算函數(shù)運行時間，寫了幾行代碼了。

有沒有一種方法可以更方便的計算這個運行時間呢？

有。

有一個內置模塊叫 timeit，使用它，只用一行代碼即可：

import time
import timeit

def run_sleep(second):
print(second)
time.sleep(second)

# 只用這一行
print(timeit.timeit(lambda :run_sleep(2), number=5))

運行結果如下：

2
2
2
2
2
10.020059824

利用自帶的緩存機制提高效率

緩存是一種將定量數(shù)據加以保存，以備迎合后續(xù)獲取需求的處理方式，旨在加快數(shù)據獲取的速度。

數(shù)據的生成過程可能需要經過計算，規(guī)整，遠程獲取等操作，如果是同一份數(shù)據需要多次使用，每次都重新生成會大大浪費時間。所以，如果將計算或者遠程請求等操作獲得的數(shù)據緩存下來，會加快后續(xù)的數(shù)據獲取需求。

為了實現(xiàn)這個需求，Python 3.2 中給我們提供了一個機制，可以很方便的實現(xiàn)，而不需要你去寫這樣的邏輯代碼。

這個機制實現(xiàn)于 functool 模塊中的 lru_cache 裝飾器。

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

參數(shù)解讀：

• maxsize：最多可以緩存多少個此函數(shù)的調用結果，如果為None，則無限制，設置為 2 的冪時，性能最佳；

• typed：若為 True，則不同參數(shù)類型的調用將分別緩存。

舉個例子：

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))

輸出如下，可以看到第二次調用并沒有真正的執(zhí)行函數(shù)體，而是直接返回緩存里的結果：

calculating: 1 2
3
3
calculating: 2 3
5

下面這個是經典的斐波那契數(shù)列，當你指定的 n 較大時，會存在大量的重復計算：

def fib(n):
if n < 2:
return n
return fib(n – 2) fib(n – 1)

第六點介紹的 timeit，現(xiàn)在可以用它來測試一下到底可以提高多少的效率。

不使用 lru_cache 的情況下，運行時間 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，運行速度實在太快了，所以我將 n 值由 30 調到 500，可即使是這樣，運行時間也才 0.0004 秒。提高速度非常顯著。

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

在程序退出前執(zhí)行代碼的技巧

使用 atexit 這個內置模塊，可以很方便的注冊退出函數(shù)。

不管你在哪個地方導致程序崩潰，都會執(zhí)行那些你注冊過的函數(shù)。

示例如下：

如果clean函數(shù)有參數(shù)，那么你可以不用裝飾器，而是直接調用atexit.register(clean_1, 參數(shù)1, 參數(shù)2, 參數(shù)3=’xxx’)。

可能你有其他方法可以處理這種需求，但肯定比上不使用 atexit 來得優(yōu)雅，來得方便，并且它很容易擴展。

但是使用atexit 仍然有一些局限性，比如：

• 如果程序是被你沒有處理過的系統(tǒng)信號殺死的，那么注冊的函數(shù)無法正常執(zhí)行。

• 如果發(fā)生了嚴重的 Python 內部錯誤，你注冊的函數(shù)無法正常執(zhí)行。

• 如果你手動調用了os._exit，你注冊的函數(shù)無法正常執(zhí)行。

實現(xiàn)類似 defer 的延遲調用

在 Golang 中有一種延遲調用的機制，關鍵字是 defer，例如下面的示例：

import “fmt”

func myfunc {
fmt.Println(“B”)
}

func main {
defer myfunc
fmt.Println(“A”)
}

輸出如下，myfunc 的調用會在函數(shù)返回前一步完成，即使你將 myfunc 的調用寫在函數(shù)的第一行，這就是延遲調用。

A
B

那么在 Python 中否有這種機制呢？

當然也有，只不過并沒有 Golang 這種簡便。

在 Python 可以使用上下文管理器達到這種效果：

import contextlib

def callback:
print(‘B’)

with contextlib.ExitStack as stack:
stack.callback(callback)
print(‘A’)

輸出如下：

A
B

如何流式讀取數(shù)G超大文件

使用 with…open… 可以從一個文件中讀取數(shù)據，這是所有 Python 開發(fā)者都非常熟悉的操作。

但是如果你使用不當，也會帶來很大的麻煩。

比如當你使用了 read 函數(shù)，其實 Python 會將文件的內容一次性的全部載入內存中，如果文件有 10 個G甚至更多，那么你的電腦就要消耗的內存非常巨大。

# 一次性讀取
with open(“big_file.txt”, “r”) as fp:
content = fp.read

對于這個問題，你也許會想到使用 readline 去做一個生成器來逐行返回。

def read_from_file(filename):
with open(filename, “r”) as fp:
yield fp.readline

可如果這個文件內容就一行呢，一行就 10個G，其實你還是會一次性讀取全部內容。

最優(yōu)雅的解決方法是，在使用 read 方法時，指定每次只讀取固定大小的內容，比如下面的代碼中，每次只讀取 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

上面的代碼，功能上已經沒有問題了，但是代碼看起來代碼還是有些臃腫。

借助偏函數(shù)和 iter 函數(shù)可以優(yōu)化一下代碼：

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

?架構的腐化是必然的！

?騰訊云 AI 在新基建領域下一盤什么大棋

?張一鳴是如何練就字節(jié)跳動的

?性能超越最新序列推薦模型，華為諾亞方舟提出記憶增強的圖神經網絡

?DevOps 在移動應用程序開發(fā)中扮演什么角色？

?穩(wěn)定幣經濟：十大穩(wěn)定幣簡史