5年Python功力，总结了10个开发技巧-清一色财经

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。

[[329607]]

1. 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
importinspect
defadd(x,y):
returnx+y
print("===================")
print(inspect.getsource(add))
运行结果如下
$pythondemo.py
===================
defadd(x,y):
returnx+y

2. 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)
exceptExceptionasexc:
raiseRuntimeError("Somethingbadhappened")

从输出可以看到两个异常信息

Traceback(mostrecentcalllast):
File"demo.py",line2,in<module>
print(1/0)
ZeroDivisionError:divisionbyzero
Duringhandlingoftheaboveexception,anotherexceptionoccurred:
Traceback(mostrecentcalllast):
File"demo.py",line4,in<module>
raiseRuntimeError("Somethingbadhappened")
RuntimeError:Somethingbadhappened

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)
exceptExceptionasexc:
raiseRuntimeError("Somethingbadhappened")fromexc

输出如下

Traceback(mostrecentcalllast):
File"demo.py",line2,in<module>
print(1/0)
ZeroDivisionError:divisionbyzero
Theaboveexceptionwasthedirectcauseofthefollowingexception:
Traceback(mostrecentcalllast):
File"demo.py",line4,in<module>
raiseRuntimeError("Somethingbadhappened")fromexc
RuntimeError:Somethingbadhappened

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)
exceptExceptionasexc:
raiseRuntimeError("badthing").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

$catdemo.py
try:
print(1/0)
exceptExceptionasexc:
raiseRuntimeError("Somethingbadhappened")fromNone
$
$pythondemo.py
Traceback(mostrecentcalllast):
File"demo.py",line4,in<module>
raiseRuntimeError("Somethingbadhappened")fromNone
RuntimeError:Somethingbadhappened
(PythonCodingTime)

3. 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。

>>>importsys
>>>frompprintimportpprint
>>>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的多的方法，一行命令即可解决

[wangbm@localhost~]$python3-msite
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。

4. 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)
foritem1inlist1:
foritem2inlist2:
foritem3inlist3:
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。

fromitertoolsimportproduct
list1=range(1,3)
list2=range(4,6)
list3=range(7,9)
foritem1,item2,item3inproduct(list1,list2,list3):
print(item1+item2+item3)

输出如下

$pythondemo.py
12
13
13
14
13
14
14
15

5. 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：

>>>withopen('test.log',mode='w')asf:
...print('hello,python',file=f,flush=True)
>>>exit
$cattest.log
hello,python

6. 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

importtime
start=time.time
#runthefunction
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

importtime
importtimeit
defrun_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

7. 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

fromfunctoolsimportlru_cache
@lru_cache(None)
defadd(x,y):
print("calculating:%s+%s"%(x,y))
returnx+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

deffib(n):
ifn<2:
returnn
returnfib(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

importtimeit
deffib(n):
ifn<2:
returnn
returnfib(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。

importtimeit
fromfunctoolsimportlru_cache
@lru_cache(None)
deffib(n):
ifn<2:
returnn
returnfib(n-2)+fib(n-1)
print(timeit.timeit(lambda:fib(500),number=1))
#output:0.0004921059880871326

8. 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

5年Python功力，总结了10个开发技巧

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。

9. 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"
funcmyfunc{
fmt.Println("B")
}
funcmain{
defermyfunc
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

importcontextlib
defcallback:
print('B')
withcontextlib.ExitStackasstack:
stack.callback(callback)
print('A')

输出如下

A
B

10. 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
withopen("big_file.txt","r")asfp:
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。

defread_from_file(filename):
withopen(filename,"r")asfp:
yieldfp.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。

defread_from_file(filename,block_size=1024*8):
withopen(filename,"r")asfp:
whileTrue:
chunk=fp.read(block_size)
ifnotchunk:
break
yieldchunk

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

fromfunctoolsimportpartial
defread_from_file(filename,block_size=1024*8):
withopen(filename,"r")asfp:
forchunkiniter(partial(fp.read,block_size),""):
yieldchunk

©本文为清一色官方代发，观点仅代表作者本人，与清一色无关。清一色对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。本文不作为投资理财建议，请读者仅作参考，并请自行承担全部责任。文中部分文字/图片/视频/音频等来源于网络，如侵犯到著作权人的权利，请与我们联系（微信/QQ:1074760229）。转载请注明出处：清一色财经