Python3 错误处理 和 测试
2016-06-16 08:36
507 查看
try
让我们用一个例子来看看try的机制:
try: print('try...') r = 10 / 0 except ZeroDivisionError as e: print('except:', e) finally: print('finally...') print('END')
当我们认为某些代码可能会出错时,就可以用
try来运行这段代码,如果执行出错,则后续代码不会继续执行,而是直接跳转至错误处理代码,即
except语句块,执行完
except后,如果有
finally语句块,则执行
finally语句块,至此,执行完毕。
int()函数可能会抛出
ValueError,所以我们用一个
except捕获
ValueError,用另一个
except捕获
ZeroDivisionError。
此外,如果没有错误发生,可以在
except语句块后面加一个
else,当没有错误发生时,会自动执行
else语句:
try: r = 10 / int('2') except ValueError as e: print('ValueError:', e) except ZeroDivisionError as e: print('ZeroDivisionError:', e) else: print('no error!') finally: print('finally...')
Python的错误其实也是class,所有的错误类型都继承自
BaseException,所以在使用
except时需要注意的是,它不但捕获该类型的错误,还把其子类也“一网打尽”。比如:
try: foo() except ValueError as e: print('ValueError') except UnicodeError as e: print('UnicodeError')
第二个
except永远也捕获不到
UnicodeError,因为
UnicodeError是
ValueError的子类,如果有,也被第一个
except给捕获了。
Python所有的错误都是从
BaseException类派生的,常见的错误类型和继承关系看这里:
https://docs.python.org/3/library/exceptions.html#exception-hierarchy
如果错误没有被捕获,它就会一直往上抛,最后被Python解释器捕获,打印一个错误信息,然后程序退出。
记录错误
如果不捕获错误,自然可以让Python解释器来打印出错误堆栈,但程序也被结束了。既然我们能捕获错误,就可以把错误堆栈打印出来,然后分析错误原因,同时,让程序继续执行下去。Python内置的
logging模块可以非常容易地记录错误信息:
# err_logging.py import logging def foo(s): return 10 / int(s) def bar(s): return foo(s) * 2 def main(): try: bar('0') except Exception as e: logging.exception(e) main() print('END')
同样是出错,但程序打印完错误信息后会继续执行,并正常退出:
$ python3 err_logging.py ERROR:root:division by zero Traceback (most recent call last): File "err_logging.py", line 13, in main 10 / 0 ZeroDivisionError: division by zero
通过配置,
logging还可以把错误记录到日志文件里,方便事后排查。
抛出错误
因为错误是class,捕获一个错误就是捕获到该class的一个实例。因此,错误并不是凭空产生的,而是有意创建并抛出的。Python的内置函数会抛出很多类型的错误,我们自己编写的函数也可以抛出错误。如果要抛出错误,首先根据需要,可以定义一个错误的class,选择好继承关系,然后,用
raise语句抛出一个错误的实例:
# err_raise.py class FooError(ValueError): pass def foo(s): n = int(s) if n==0: raise FooError('invalid value: %s' % s) return 10 / n foo('0')
执行,可以最后跟踪到我们自己定义的错误:
$ python3 err_raise.py Traceback (most recent call last): File "err_throw.py", line 11, in <module> foo('0') File "err_throw.py", line 8, in foo raise FooError('invalid value: %s' % s) __main__.FooError: invalid value: 0
只有在必要的时候才定义我们自己的错误类型。如果可以选择Python已有的内置的错误类型(比如
ValueError,
TypeError),尽量使用Python内置的错误类型。
最后,我们来看另一种错误处理的方式:
def bar(): try: foo('0') except ValueError as e: print('ValueError!') raise
在
bar()函数中,我们明明已经捕获了错误,但是,打印一个
ValueError!后,又把错误通过
raise语句抛出去了
捕获错误目的只是记录一下,便于后续追踪。但是,由于当前函数不知道应该怎么处理该错误,所以,最恰当的方式是继续往上抛,让顶层调用者去处理。好比一个员工处理不了一个问题时,就把问题抛给他的老板,如果他的老板也处理不了,就一直往上抛,最终会抛给CEO去处理。
raise语句如果不带参数,就会把当前错误原样抛出。此外,在
except中
raise一个Error,还可以把一种类型的错误转化成另一种类型:
try: 10 / 0 except ZeroDivisionError: raise ValueError('input error!')
断言
凡是用print()来辅助查看的地方,都可以用断言(assert)来替代:
def foo(s): n = int(s) assert n != 0, 'n is zero!' return 10 / n def main(): foo('0')
assert的意思是,表达式
n != 0应该是
True,否则,根据程序运行的逻辑,后面的代码肯定会出错。
如果断言失败,
assert语句本身就会抛出
AssertionError:
程序中如果到处充斥着
assert,和
print()相比也好不到哪去。不过,启动Python解释器时可以用
-O参数来关闭
assert:
$ python3 -O err.py
关闭后,你可以把所有的
assert语句当成
pass来看。
logging
把print()替换为
logging是第3种方式,和
assert比,
logging不会抛出错误,而且可以输出到文件:
import logging s = '0' n = int(s) logging.info('n = %d' % n) print(10 / n)
logging.info()就可以输出一段文本。运行,发现除了
ZeroDivisionError,没有任何信息。怎么回事?
别急,在
import logging之后添加一行配置再试试:
import logging logging.basicConfig(level=logging.INFO)
看到输出了:
$ python3 err.py INFO:root:n = 0 Traceback (most recent call last): File "err.py", line 8, in <module> print(10 / n) ZeroDivisionError: division by zero
这就是
logging的好处,它允许你指定记录信息的级别,有
debug,
info,
warning,
error等几个级别,当我们指定
level=INFO时,
logging.debug就不起作用了。同理,指定
level=WARNING后,
debug和
info就不起作用了。这样一来,你可以放心地输出不同级别的信息,也不用删除,最后统一控制输出哪个级别的信息。
logging的另一个好处是通过简单的配置,一条语句可以同时输出到不同的地方,比如console和文件。
pdb
第4种方式是启动Python的调试器pdb,让程序以单步方式运行,可以随时查看运行状态。我们先准备好程序:# err.py s = '0' n = int(s) print(10 / n)
然后启动:
$ python3 -m pdb err.py > /Users/michael/Github/learn-python3/samples/debug/err.py(2)<module>() -> s = '0'
以参数
-m pdb启动后,pdb定位到下一步要执行的代码
-> s = '0'。输入命令
l来查看代码:
(Pdb) l 1 # err.py 2 -> s = '0' 3 n = int(s) 4 print(10 / n)
输入命令
n可以单步执行代码:
(Pdb) n > /Users/michael/Github/learn-python3/samples/debug/err.py(3)<module>() -> n = int(s) (Pdb) n > /Users/michael/Github/learn-python3/samples/debug/err.py(4)<module>() -> print(10 / n)
任何时候都可以输入命令
p 变量名来查看变量:
(Pdb) p s '0' (Pdb) p n 0
输入命令
q结束调试,退出程序:
(Pdb) q
这种通过pdb在命令行调试的方法理论上是万能的,但实在是太麻烦了,如果有一千行代码,要运行到第999行得敲多少命令啊。还好,我们还有另一种调试方法。
pdb.set_trace()
这个方法也是用pdb,但是不需要单步执行,我们只需要import pdb,然后,在可能出错的地方放一个
pdb.set_trace(),就可以设置一个断点:
# err.py import pdb s = '0' n = int(s) pdb.set_trace() # 运行到这里会自动暂停 print(10 / n)
运行代码,程序会自动在
pdb.set_trace()暂停并进入pdb调试环境,可以用命令
p查看变量,或者用命令
c继续运行:
$ python3 err.py > /Users/michael/Github/learn-python3/samples/debug/err.py(7)<module>() -> print(10 / n) (Pdb) p n 0 (Pdb) c Traceback (most recent call last): File "err.py", line 7, in <module> print(10 / n) ZeroDivisionError: division by zero
这个方式比直接启动pdb单步调试效率要高很多,但也高不到哪去。
IDE
如果要比较爽地设置断点、单步执行,就需要一个支持调试功能的IDE。目前比较好的Python IDE有PyCharm:http://www.jetbrains.com/pycharm/
另外,Eclipse加上pydev插件也可以调试Python程序。
虽然用IDE调试起来比较方便,但是最后你会发现,logging才是终极武器。
IDE
单元测试是用来对一个模块、一个函数或者一个类来进行正确性检验的测试工作。比如对函数
abs(),我们可以编写出以下几个测试用例:
输入正数,比如
1、
1.2、
0.99,期待返回值与输入相同;
输入负数,比如
-1、
-1.2、
-0.99,期待返回值与输入相反;
输入
0,期待返回
0;
输入非数值类型,比如
None、
[]、
{},期待抛出
TypeError。
把上面的测试用例放到一个测试模块里,就是一个完整的单元测试。
如果单元测试通过,说明我们测试的这个函数能够正常工作。如果单元测试不通过,要么函数有bug,要么测试条件输入不正确,总之,需要修复使单元测试能够通过。
单元测试通过后有什么意义呢?如果我们对
abs()函数代码做了修改,只需要再跑一遍单元测试,如果通过,说明我们的修改不会对
abs()函数原有的行为造成影响,如果测试不通过,说明我们的修改与原有行为不一致,要么修改代码,要么修改测试。
这种以测试为驱动的开发模式最大的好处就是确保一个程序模块的行为符合我们设计的测试用例。在将来修改的时候,可以极大程度地保证该模块行为仍然是正确的。
我们来编写一个
Dict类,这个类的行为和
dict一致,但是可以通过属性来访问,用起来就像下面这样:
>>> d = Dict(a=1, b=2) >>> d['a'] # 1 >>> d.a # 1 class Dict(dict): def __init__(self, **kw): super().__init__(**kw) def __getattr__(self, key): try: return self[key] except KeyError: raise AttributeError(r"'Dict' object has no attribute '%s'" % key) def __setattr__(self, key, value): self[key] = value
为了编写单元测试,我们需要引入Python自带的
unittest模块,编写
mydict_test.py如下:
import unittest from mydict import Dict class TestDict(unittest.TestCase): def test_init(self): d = Dict(a=1, b='test') self.assertEqual(d.a, 1) self.assertEqual(d.b, 'test') self.assertTrue(isinstance(d, dict)) def test_key(self): d = Dict() d['key'] = 'value' self.assertEqual(d.key, 'value') def test_attr(self): d = Dict() d.key = 'value' self.assertTrue('key' in d) self.assertEqual(d['key'], 'value') def test_keyerror(self): d = Dict() with self.assertRaises(KeyError): value = d['empty'] def test_attrerror(self): d = Dict() with self.assertRaises(AttributeError): value = d.empty
编写单元测试时,我们需要编写一个测试类,从
unittest.TestCase继承。
以
test开头的方法就是测试方法,不以
test开头的方法不被认为是测试方法,测试的时候不会被执行。
对每一类测试都需要编写一个
test_xxx()方法。由于
unittest.TestCase提供了很多内置的条件判断,我们只需要调用这些方法就可以断言输出是否是我们所期望的。最常用的断言就是
assertEqual():
self.assertEqual(abs(-1), 1) # 断言函数返回的结果与1相等
另一种重要的断言就是期待抛出指定类型的Error,比如通过
d['empty']访问不存在的key时,断言会抛出
KeyError:
with self.assertRaises(KeyError): value = d['empty']
而通过
d.empty访问不存在的key时,我们期待抛出
AttributeError:
with self.assertRaises(AttributeError): value = d.empty
运行单元测试
一旦编写好单元测试,我们就可以运行单元测试。最简单的运行方式是在mydict_test.py的最后加上两行代码:
if __name__ == '__main__': unittest.main()
这样就可以把
mydict_test.py当做正常的python脚本运行:
$ python3 mydict_test.py
另一种方法是在命令行通过参数
-m unittest直接运行单元测试:
$ python3 -m unittest mydict_test ..... ---------------------------------------------------------------------- Ran 5 tests in 0.000s OK
这是推荐的做法,因为这样可以一次批量运行很多单元测试,并且,有很多工具可以自动来运行这些单元测试。
setUp与tearDown
可以在单元测试中编写两个特殊的setUp()和
tearDown()方法。这两个方法会分别在每调用一个测试方法的前后分别被执行。
setUp()和
tearDown()方法有什么用呢?设想你的测试需要启动一个数据库,这时,就可以在
setUp()方法中连接数据库,在
tearDown()方法中关闭数据库,这样,不必在每个测试方法中重复相同的代码:
class TestDict(unittest.TestCase): def setUp(self): print('setUp...') def tearDown(self): print('tearDown...')
可以再次运行测试看看每个测试方法调用前后是否会打印出
setUp...和
tearDown...。
单元测试的测试用例要覆盖常用的输入组合、边界条件和异常。
文档测试
如果你经常阅读Python的官方文档,可以看到很多文档都有示例代码。比如re模块就带了很多示例代码:>>> import re >>> m = re.search('(?<=abc)def', 'abcdef') >>> m.group(0) 'def'
可以把这些示例代码在Python的交互式环境下输入并执行,结果与文档中的示例代码显示的一致。
这些代码与其他说明可以写在注释中,然后,由一些工具来自动生成文档。既然这些代码本身就可以粘贴出来直接运行,那么,可不可以自动执行写在注释中的这些代码呢?
答案是肯定的。
当我们编写注释时,如果写上这样的注释:
def abs(n): ''' Function to get absolute value of number. Example: >>> abs(1) 1 >>> abs(-1) 1 >>> abs(0) 0 ''' return n if n >= 0 else (-n)
无疑更明确地告诉函数的调用者该函数的期望输入和输出。
并且,Python内置的“文档测试”(doctest)模块可以直接提取注释中的代码并执行测试。
doctest严格按照Python交互式命令行的输入和输出来判断测试结果是否正确。只有测试异常的时候,可以用
...表示中间一大段烦人的输出。
让我们用doctest来测试上次编写的
Dict类:
# mydict2.py class Dict(dict): ''' Simple dict but also support access as x.y style. >>> d1 = Dict() >>> d1['x'] = 100 >>> d1.x 100 >>> d1.y = 200 >>> d1['y'] 200 >>> d2 = Dict(a=1, b=2, c='3') >>> d2.c '3' >>> d2['empty'] Traceback (most recent call last): ... KeyError: 'empty' >>> d2.empty Traceback (most recent call last): ... AttributeError: 'Dict' object has no attribute 'empty' ''' def __init__(self, **kw): super(Dict, self).__init__(**kw) def __getattr__(self, key): try: return self[key] except KeyError: raise AttributeError(r"'Dict' object has no attribute '%s'" % key) def __setattr__(self, key, value): self[key] = value if __name__=='__main__': import doctest doctest.testmod()
运行
python3 mydict2.py:
$ python3 mydict2.py
什么输出也没有。这说明我们编写的doctest运行都是正确的。如果程序有问题,比如把
__getattr__()方法注释掉,再运行就会报错:
当模块正常导入时,doctest不会被执行。只有在命令行直接运行时,才执行doctest。所以,不必担心doctest会在非测试环境下执行。
doctest非常有用,不但可以用来测试,还可以直接作为示例代码。通过某些文档生成工具,就可以自动把包含doctest的注释提取出来。用户看文档的时候,同时也看到了doctest。
相关文章推荐
- python datetime strftime
- Python进行数据提取的方法总结
- python基础教程之分支、循环简单用法
- 浅析Python中else语句块的使用技巧
- Python黑魔法@property装饰器的使用技巧解析
- Python利用带权重随机数解决抽奖和游戏爆装备问题
- 详解Python中 __get__和__getattr__和__getattribute__的区别
- 浅谈Python中chr、unichr、ord字符函数之间的对比
- Python构造自定义方法来美化字典结构输出的示例
- Python中的多行注释文档编写风格汇总
- 最大K个数问题的Python版解法总结
- 实例讲解Python中global语句下全局变量的值的修改
- 从局部变量和全局变量开始全面解析Python中变量的作用域
- Python List
- Python for Eclipse开发环境的搭建
- tkinter的类的应用-------类的基础(六)
- 别人的python类的笔记
- python中的类的继承和dict对象------------类的基础(三)
- python中一切皆对象------类的基础(五)
- pyhon中类的复杂继承--------类的基础(八)