作者 |?写代码的明哥

来源 |Python编程时光（ID: Cool-Python）

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的多的方法，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

明哥原创文都已传至 Github：

https://github.com/iswbm/PythonCodingTime

博客链接：

http://python.iswbm.com/en/latest/c03/c03_07.html

推荐阅读

• ?全网唯一秃头数据集：20万张人像，网罗各类秃头

• 阿里云科学家入选计算机顶会HPCA名人堂，他是什么来头？
  

• 干货 | 基于SRS直播平台的监控系统之实现思路与过程

• 程序员在这些地方敲代码，普通笔记本根本扛不住

• 又一国产数据库诞生！腾讯发布 TGDB，实时查询比 Neo4j 快 20-150 倍
  

• 力挺比特币的世界第2交易员：仅次于索罗斯，连续25年无亏损

你点的每个“在看”，我都认真当成了AI