作者
写代码的明哥
来源
Python编程时光
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.pyimportinspectdefadd(x,y):returnx+yprint(===================)print(inspect.getsource(add))
运行结果如下：
$pythondemo.py===================defadd(x,y):returnx+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)exceptExceptionasexc:raiseRuntimeError(Somethingbadhappened)
从输出可以看到两个异常信息：
Traceback(mostrecentcalllast):Filedemo.py,line2,inmoduleprint(1/0)ZeroDivisionError:divisionbyzeroDuringhandlingoftheaboveexception,anotherexceptionoccurred:Traceback(mostrecentcalllast):Filedemo.py,line4,inmoduleraiseRuntimeError(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):Filedemo.py,line2,inmoduleprint(1/0)ZeroDivisionError:divisionbyzeroTheaboveexceptionwasthedirectcauseofthefollowingexception:Traceback(mostrecentcalllast):Filedemo.py,line4,inmoduleraiseRuntimeError(Somethingbadhappened)fromexcRuntimeError: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...fromNone，从下面的例子上看，已经没有了原始异常。
$catdemo.pytry:print(1/0)exceptExceptionasexc:raiseRuntimeError(Somethingbadhappened)fromNone$$pythondemo.pyTraceback(mostrecentcalllast):Filedemo.py,line4,inmoduleraiseRuntimeError(Somethingbadhappened)fromNoneRuntimeError:Somethingbadhappened(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。
importsysfrompprintimportpprintpprint(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~]$python-cprint(\n.join(__import__(sys).path))/usr/lib/python2.7/site-packages/pip-18.1-py2.7.egg/usr/lib/python2.7/site-packages/redis-3.0.1-py2.7.egg/usr/lib64/python27.zip/usr/lib64/python2.7/usr/lib64/python2.7/plat-linux2/usr/lib64/python2.7/lib-tk/usr/lib64/python2.7/lib-old/usr/lib64/python2.7/lib-dynload/home/wangbm/.local/lib/python2.7/site-packages/usr/lib64/python2.7/site-packages/usr/lib64/python2.7/site-packages/gtk-2.0/usr/lib/python2.7/site-packages这里我要介绍的是比上面两种都方便得多的方法，一行命令即可解决。
[wangbm
localhost~]$python3-msitesys.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)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。
fromitertoolsimportproductlist1=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：
$pythondemo.py
如何使用print输出日志
初学者喜欢使用print来调试代码，并记录程序运行过程。
但是print只会将内容输出到终端上，不能持久化到日志文件中，并不利于问题的排查。
如果你热衷于使用print来调试代码（虽然这并不是最佳做法），记录程序运行过程，那么下面介绍的这个print用法，可能会对你有用。
Python3中的print作为一个函数，由于可以接收更多的参数，所以功能变为更加强大，指定一些参数可以将print的内容输出到日志文件中。
代码如下：
withopen(test.log,mode=w)asf:...print(hello,python,file=f,flush=True)exit()$cattest.loghello,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：
importtimestart=time.time()#runthefunctionend=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：
importtimeimporttimeitdefrun_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：
.
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，Python3.2+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+yprint(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+calculating:2+35
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):ifn2:returnnreturnfib(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。
importtimeitdeffib(n):ifn2:returnnreturnfib(n-2)+fib(n-1)print(timeit.timeit(lambda:fib(40),number=1))#output:31.
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，可即使是这样，运行时间也才0.秒。提高速度非常显著。
importtimeitfromfunctoolsimportlru_cache
lru_cache(None)deffib(n):ifn2:returnnreturnfib(n-2)+fib(n-1)print(timeit.timeit(lambda:fib(),number=1))#output:0.92105988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：
importfmtfuncmyfunc(){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。
AB
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：
importcontextlibdefcallback():print(B)withcontextlib.ExitStack()asstack:stack.callback(callback)print(A)
输出如下：
AB
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=*8):withopen(filename,r)asfp:whileTrue:chunk=fp.read(block_size)ifnotchunk:breakyieldchunk
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：
fromfunctoolsimportpartialdefread_from_file(filename,block_size=*8):withopen(filename,r)asfp:forchunkiniter(partial(fp.read,block_size),):yieldchunk