今天給大家分享 10 個我平時整理非常實用的 Python 開發小技巧，內容目錄如下：

值得一提的是，這 10 個技巧全部收錄在我自己寫的 《Python黑魔法指南》里。

1. 如何在運行狀態查看源代碼？

查看函數的源代碼，我們通常會使用 IDE 來完成。

比如在 PyCharm 中，你可以 Ctrl + 鼠標點擊 進入函數的源代碼。

那如果沒有 IDE 呢？

當我們想使用一個函數時，如何知道這個函數需要接收哪些參數呢？

當我們在使用函數時出現問題的時候，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 inspectdef add(x, y):return x + yprint("===================") print(inspect.getsource(add))

運行結果如下

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

2. 如何關閉異常自動關聯上下文？

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 zeroDuring 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 zeroThe 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)

3. 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的多的方法，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

從輸出你可以發現，這個列的路徑會比 sys.path 更全，它包含了用戶環境的目錄。

4. 將嵌套 for 循環寫成單行

我們經常會如下這種嵌套的 for 循環代碼

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，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 這個庫來實現更優雅易讀的代碼。

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

5. 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，由于可以接收更多的參數，所以功能變為更加強大，指定一些參數可以將 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

6. 如何快速計算函數運行時間

計算一個函數的運行時間，你可能會這樣子做

import timestart = time.time()# run the functionend = time.time() print(end-start)

你看看你為了計算函數運行時間，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 timeitdef 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

7. 利用自帶的緩存機制提高效率

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

數據的生成過程可能需要經過計算，規整，遠程獲取等操作，如果是同一份數據需要多次使用，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據緩存下來，會加快后續的數據獲取需求。

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

這個機制實現于 functool 模塊中的 lru_cache 裝飾器。

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

參數解讀：

• maxsize：最多可以緩存多少個此函數的調用結果，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 + yprint(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行函數體，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 nreturn fib(n - 2) + fib(n - 1)

第六點介紹的 timeit，現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 timeitdef fib(n):if n < 2:return nreturn 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 nreturn fib(n - 2) + fib(n - 1)print(timeit.timeit(lambda :fib(500), number=1)) # output: 0.0004921059880871326

8. 在程序退出前執行代碼的技巧

使用 atexit 這個內置模塊，可以很方便的注冊退出函數。

不管你在哪個地方導致程序崩潰，都會執行那些你注冊過的函數。

示例如下

如果clean()函數有參數，那么你可以不用裝飾器，而是直接調用atexit.register(clean_1, 參數1, 參數2, 參數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信號殺死的，那么注冊的函數無法正常執行。
• 如果發生了嚴重的 Python 內部錯誤，你注冊的函數無法正常執行。
• 如果你手動調用了os._exit()，你注冊的函數無法正常執行。

9. 實現類似 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 的調用會在函數返回前一步完成，即使你將 myfunc 的調用寫在函數的第一行，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 contextlibdef callback():print('B')with contextlib.ExitStack() as stack:stack.callback(callback)print('A')

輸出如下

A B

10. 如何流式讀取數G超大文件

使用 with...open... 可以從一個文件中讀取數據，這是所有 Python 開發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，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:breakyield 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 和 iter 函數可以優化一下代碼

from functools import partialdef 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

總結

以上是生活随笔為你收集整理的exists的用法 python_5 年 Python ，总结的 10 条 Python 使用技巧的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。