身為暢銷書作家，我邀請您在亞馬遜上探索我的書。不要忘記在 Medium 上關(guān)注我並表示您的支持。謝謝你！您的支持意味著全世界！

Python 偵錯是開發(fā)人員的基本技能，它使我們能夠有效地識別和修復(fù)程式碼中的問題。我花了數(shù)年時間磨練我的調(diào)試技術(shù)，我很高興分享我發(fā)現(xiàn)的一些最有效的方法。

讓我們從內(nèi)建的 pdb 模組開始，這是一個強(qiáng)大的互動式偵錯工具。我經(jīng)常使用 pdb 在程式碼中的特定點(diǎn)暫停執(zhí)行，從而允許我檢查變數(shù)並逐行單步執(zhí)行程式。這是一個簡單的例子：

import pdb

def calculate_average(numbers):
    total = sum(numbers)
    pdb.set_trace()  # Breakpoint
    average = total / len(numbers)
    return average

result = calculate_average([1, 2, 3, 4, 5])
print(result)

這段程式碼在運(yùn)行時，會在斷點(diǎn)處暫停。然後，我可以使用“n”等命令進(jìn)入下一行，使用“p”列印變數(shù)值，或使用“c”繼續(xù)執(zhí)行。這種互動式方法對於理解複雜的邏輯流程非常有價值。

日誌記錄是我經(jīng)常使用的另一種技術(shù)，尤其是在生產(chǎn)環(huán)境中進(jìn)行偵錯。 Python 的日誌模組允許我在不中斷程式執(zhí)行的情況下記錄特定事件或變數(shù)狀態(tài)：

import logging

logging.basicConfig(level=logging.DEBUG)

def process_data(data):
    logging.debug(f"Processing data: {data}")
    result = data * 2
    logging.info(f"Processed result: {result}")
    return result

process_data(5)

這種方法可以幫助我追蹤應(yīng)用程式中的資料流並確定可能出現(xiàn)問題的位置。

對於更高級的調(diào)試，我經(jīng)常轉(zhuǎn)向 IPython。其豐富的功能允許動態(tài)程式碼檢查和執(zhí)行。以下是我如何使用它來調(diào)試函數(shù)：

from IPython import embed

def complex_calculation(x, y):
    result = x * y
    embed()  # Start IPython session
    return result + 10

complex_calculation(5, 3)

這會在 embed() 呼叫時開啟一個 IPython shell，允許我與本地作用域互動、運(yùn)行額外的計(jì)算，甚至動態(tài)修改變數(shù)。

遠(yuǎn)端偵錯在我的工作中變得越來越重要，特別是在處理在遠(yuǎn)端伺服器或容器中執(zhí)行的應(yīng)用程式時。我經(jīng)常使用具有遠(yuǎn)端偵錯功能的pdb：

import pdb
import socket

class RemotePdb(pdb.Pdb):
    def __init__(self, host='localhost', port=4444):
        pdb.Pdb.__init__(self)
        self.listen_socket = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
        self.listen_socket.setsockopt(socket.SOL_SOCKET, socket.SO_REUSEADDR, True)
        self.listen_socket.bind((host, port))
        self.listen_socket.listen(1)
        self.connection, address = self.listen_socket.accept()
        self.handle = self.connection.makefile('rw')
        pdb.Pdb.__init__(self, completekey='tab', stdin=self.handle, stdout=self.handle)

    def do_continue(self, arg):
        self.handle.close()
        self.connection.close()
        self.listen_socket.close()
        return pdb.Pdb.do_continue(self, arg)

RemotePdb().set_trace()

此設(shè)定允許我連接到遠(yuǎn)端電腦上的偵錯會話，這對於診斷已部署應(yīng)用程式中的問題特別有用。

記憶體分析對於最佳化資源使用和識別記憶體洩漏至關(guān)重要。我使用 memory_profiler 模組來實(shí)現(xiàn)此目的：

from memory_profiler import profile

@profile
def memory_intensive_function():
    large_list = [i for i in range(1000000)]
    del large_list
    return "Function completed"

memory_intensive_function()

這個裝飾器逐行提供記憶體使用情況的詳細(xì)細(xì)分，幫助我找出記憶體消耗高的區(qū)域。

為了效能最佳化，我依靠 cProfile 來辨識程式碼中的瓶頸：

import cProfile

def slow_function():
    return sum(i * i for i in range(10000))

cProfile.run('slow_function()')

這會產(chǎn)生一份報告，顯示每個函數(shù)的呼叫次數(shù)、總時間和每次呼叫時間，使我能夠?qū)⒆罴鸦ぷ骷性谧钣杏绊懥Φ牡胤健?

斷言是捕捉邏輯錯誤和驗(yàn)證程式碼中假設(shè)的強(qiáng)大工具。我在我的程式中大量使用它們：

import pdb

def calculate_average(numbers):
    total = sum(numbers)
    pdb.set_trace()  # Breakpoint
    average = total / len(numbers)
    return average

result = calculate_average([1, 2, 3, 4, 5])
print(result)

斷言幫助我在開發(fā)過程的早期發(fā)現(xiàn)錯誤並使我的假設(shè)明確。

調(diào)試並發(fā)和非同步程式碼提出了獨(dú)特的挑戰(zhàn)。為此，我經(jīng)常使用 asyncio 調(diào)試器：

import logging

logging.basicConfig(level=logging.DEBUG)

def process_data(data):
    logging.debug(f"Processing data: {data}")
    result = data * 2
    logging.info(f"Processed result: {result}")
    return result

process_data(5)

要調(diào)試它，我可以使用非同步調(diào)試模式：

from IPython import embed

def complex_calculation(x, y):
    result = x * y
    embed()  # Start IPython session
    return result + 10

complex_calculation(5, 3)

這可以對協(xié)程和事件循環(huán)進(jìn)行額外的檢查和日誌記錄，從而更輕鬆地追蹤非同步程式碼中的問題。

在處理大型Python應(yīng)用程式時，我發(fā)現(xiàn)系統(tǒng)的除錯方法至關(guān)重要。我總是先嘗試在受控環(huán)境中重現(xiàn)問題。這通常涉及創(chuàng)建一個最小的測試案例來演示問題。一旦遇到可重現(xiàn)的問題，我就會結(jié)合我提到的技術(shù)來隔離根本原因。

例如，我可能會從日誌記錄開始，以廣泛了解程式的行為，然後使用 pdb 在可疑位置設(shè)定斷點(diǎn)。如果我懷疑有效能問題，我將使用 cProfile 來識別瓶頸。對於與記憶體相關(guān)的問題，memory_profiler 是我的首選工具。

我還發(fā)現(xiàn)有效的調(diào)試通常需要對 Python 生態(tài)系統(tǒng)有深入的了解。在追蹤問題時，熟悉常用函式庫和框架非常寶貴。例如，在使用 Web 應(yīng)用程式時，我經(jīng)常需要偵錯與 ORM 查詢或 HTTP 請求處理相關(guān)的問題。在這些情況下，了解特定框架（例如 Django 或 Flask）至關(guān)重要。

我發(fā)現(xiàn)的另一項(xiàng)有用的技巧是明智地使用 print 語句。雖然與更先進(jìn)的調(diào)試工具相比，它可能顯得過時，但有時正確放置的列印可以快速揭示問題的根源。不過，我總是在提交程式碼之前小心地刪除這些語句。

錯誤處理是偵錯的另一個關(guān)鍵面向。我確保在程式碼中實(shí)現(xiàn)強(qiáng)大的錯誤處理，這不僅使應(yīng)用程式更具彈性，而且在調(diào)試時提供有價值的資訊：

import pdb
import socket

class RemotePdb(pdb.Pdb):
    def __init__(self, host='localhost', port=4444):
        pdb.Pdb.__init__(self)
        self.listen_socket = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
        self.listen_socket.setsockopt(socket.SOL_SOCKET, socket.SO_REUSEADDR, True)
        self.listen_socket.bind((host, port))
        self.listen_socket.listen(1)
        self.connection, address = self.listen_socket.accept()
        self.handle = self.connection.makefile('rw')
        pdb.Pdb.__init__(self, completekey='tab', stdin=self.handle, stdout=self.handle)

    def do_continue(self, arg):
        self.handle.close()
        self.connection.close()
        self.listen_socket.close()
        return pdb.Pdb.do_continue(self, arg)

RemotePdb().set_trace()

這種方法可確保透過完整的回溯記錄錯誤，這在生產(chǎn)環(huán)境中偵錯問題時非常有用。

我還發(fā)現(xiàn)使用整合到現(xiàn)代 IDE 中的偵錯工具具有巨大的價值。例如，PyCharm 提供強(qiáng)大的偵錯功能，包括條件斷點(diǎn)、監(jiān)視表達(dá)式以及在偵錯會話期間動態(tài)修改程式碼的能力。這些工具可以顯著加快調(diào)試過程。

在處理多執(zhí)行緒應(yīng)用程式時，競爭條件的除錯尤其具有挑戰(zhàn)性。在這些情況下，我經(jīng)常使用線程安全日誌記錄並謹(jǐn)慎使用鎖定和信號量來控制對共享資源的存?。?br>

import pdb

def calculate_average(numbers):
    total = sum(numbers)
    pdb.set_trace()  # Breakpoint
    average = total / len(numbers)
    return average

result = calculate_average([1, 2, 3, 4, 5])
print(result)

這種方法有助於確保日誌輸出不交錯，並且安全地存取共享資源，從而更容易偵錯多執(zhí)行緒程式碼中的問題。

我發(fā)現(xiàn)的另一項(xiàng)有用的技術(shù)是使用裝飾器進(jìn)行調(diào)試。我經(jīng)常創(chuàng)建自訂裝飾器來記錄函數(shù)呼叫、測量執(zhí)行時間或捕獲並處理特定異常：

import logging

logging.basicConfig(level=logging.DEBUG)

def process_data(data):
    logging.debug(f"Processing data: {data}")
    result = data * 2
    logging.info(f"Processed result: {result}")
    return result

process_data(5)

這個裝飾器記錄函數(shù)的執(zhí)行時間，這有助於識別效能問題。

在偵錯網(wǎng)路相關(guān)問題時，我經(jīng)常使用Wireshark或tcpdump等工具來擷取和分析網(wǎng)路流量。這在處理分散式系統(tǒng)或 API 時特別有用：

from IPython import embed

def complex_calculation(x, y):
    result = x * y
    embed()  # Start IPython session
    return result + 10

complex_calculation(5, 3)

透過在執(zhí)行此程式碼時擷取網(wǎng)路流量，我可以檢查確切的 HTTP 請求和回應(yīng)，這對於診斷 API 相關(guān)問題非常有用。

為了調(diào)試與資料相關(guān)的問題，特別是在處理大型資料集時，我發(fā)現(xiàn)使用視覺化工具很有幫助。像 matplotlib 或 seaborn 這樣的函式庫可以快速揭示資料中的模式或異常，而這些模式或異常在查看原始資料時可能並不明顯：

import pdb
import socket

class RemotePdb(pdb.Pdb):
    def __init__(self, host='localhost', port=4444):
        pdb.Pdb.__init__(self)
        self.listen_socket = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
        self.listen_socket.setsockopt(socket.SOL_SOCKET, socket.SO_REUSEADDR, True)
        self.listen_socket.bind((host, port))
        self.listen_socket.listen(1)
        self.connection, address = self.listen_socket.accept()
        self.handle = self.connection.makefile('rw')
        pdb.Pdb.__init__(self, completekey='tab', stdin=self.handle, stdout=self.handle)

    def do_continue(self, arg):
        self.handle.close()
        self.connection.close()
        self.listen_socket.close()
        return pdb.Pdb.do_continue(self, arg)

RemotePdb().set_trace()

這個簡單的直方圖可以快速揭示資料分佈是否符合我的預(yù)期，可能突出顯示資料處理或生成中的問題。

最後，我了解到有效的除錯既涉及預(yù)防，也涉及解決問題。編寫清晰、文件齊全且具有良好測試覆蓋率的程式碼可以從一開始就防止許多錯誤的發(fā)生。我總是努力為我的程式碼編寫單元測試：

from memory_profiler import profile

@profile
def memory_intensive_function():
    large_list = [i for i in range(1000000)]
    del large_list
    return "Function completed"

memory_intensive_function()

透過定期執(zhí)行這些測試，我可以儘早捕獲回歸並確保我的程式碼在一系列輸入中的行為符合預(yù)期。

總之，Python 中的有效調(diào)試需要工具、技術(shù)和經(jīng)驗(yàn)的結(jié)合。從基本的列印語句到進(jìn)階分析工具，每種方法在開發(fā)人員的工具包中都佔(zhàn)有一席之地。透過掌握這些技術(shù)並明智地應(yīng)用它們，我們可以顯著提高編寫健全、高效且無錯誤的 Python 程式碼的能力。請記住，調(diào)試不僅僅是修復(fù)錯誤，而是更深入地理解我們的程式碼並不斷改進(jìn)我們的開發(fā)實(shí)踐。

---

101 本書

101 Books是一家由人工智慧驅(qū)動的出版公司，由作家Aarav Joshi共同創(chuàng)立。透過利用先進(jìn)的人工智慧技術(shù)，我們將出版成本保持在極低的水平——一些書籍的價格低至 4 美元——讓每個人都能獲得高品質(zhì)的知識。

查看我們的書Golang Clean Code，亞馬??遜上有售。

請繼續(xù)關(guān)注更新和令人興奮的消息。購買書籍時，搜尋 Aarav Joshi 以尋找更多我們的書籍。使用提供的連結(jié)即可享受特別折扣！

我們的創(chuàng)作

一定要看看我們的創(chuàng)作：

投資者中心 | 投資者中央西班牙語 | 投資者中德意志 | 智能生活 | 時代與迴響 | 令人費(fèi)解的謎團(tuán) | 印度教 | 菁英發(fā)展 | JS學(xué)校

---

我們在媒體上

科技無尾熊洞察 | 時代與迴響世界 | 投資人中央媒體 | 令人費(fèi)解的謎團(tuán) | | 令人費(fèi)解的謎團(tuán) | >科學(xué)與時代媒介 |

現(xiàn)代印度教

以上是掌握 Python 調(diào)試：高效能程式碼故障排除的專家技術(shù)的詳細(xì)內(nèi)容。更多資訊請關(guān)注PHP中文網(wǎng)其他相關(guān)文章！