Python工程级代码优化7招：解包、生成器、异常处理与日志实战
前言很多Python开发者习惯了“能跑就行”的思路，但项目上线后，代码冗余、运行慢、内存占用高、可读性差、难以维护等问题会让业务寸步难行。同样的功能，新手代码可能耗时10秒、吃满内存，而经过工程优化的代码能毫秒级响应、优雅简洁。本文整理7个生产级Python优化技巧，覆盖循环、内存、字典、异常、日志和资源管理，每个点都附带错误案例与优化源码，帮助彻底摆脱新手写法。
01 用元组解包 + 短路判断消灭嵌套
新手常见多层if嵌套，可读性差且易埋bug：
user_info = {"name": "张三", "age": 25, "gender": "male"}
if user_info:
if "name" in user_info:
if "age" in user_info:
print(f"用户姓名：{user_info['name']}，年龄：{user_info['age']}")
else:
print("用户信息为空")
else:
print("用户信息为空")
优化思路：用 all() 批量校验键存在性，再通过元组解包一次性赋值。
user_info = {"name": "张三", "age": 25, "gender": "male"}
if user_info and all(k in user_info for k in ["name", "age"]):
name, age = user_info["name"], user_info["age"]
print(f"用户姓名：{name}，年龄：{age}")
else:
print("用户信息缺失或为空")
核心原理：all() 批量判断键是否存在，元组解包减少变量赋值，彻底消灭多层嵌套，代码扁平化。
02 filter + map 高阶函数替代手写循环
大数据量下手写for循环并手动append，性能很差。Python内置的filter、map由C实现，效率远高于纯Python循环。
新手写法：
nums =
res = []
for num in nums:
if num % 2 == 0:
res.append(num ** 2)
print(res)
优化写法（链式调用）：
nums =
res = list(map(lambda x: x ** 2, filter(lambda x: x % 2 == 0, nums)))
print(res)#
适用场景：超大数据量时，优先使用高阶函数或列表推导式，避免手动for+append，性能可提升30%-80%。
03 用生成器替代列表，防止内存暴涨
新手处理百万级数据时习惯先用列表存全部结果，导致内存溢出。生成器采用惰性计算，一次只生成一条数据，内存占用极低。
新手写法（内存爆炸）：
def get_data():
res = []
for i in range(1000000):
res.append(i * 2)
return res
data = get_data()
优化写法（yield生成器）：
def get_data():
for i in range(1000000):
yield i * 2
for item in get_data():
if item > 1000:
break
print(item)
适用场景：日志读取、大数据遍历、文件批量解析、数据库批量查询。
04 字典取值用 get() 避免 KeyError
新手直接用 dict 获取值，键不存在时程序崩溃。用 get() 可以优雅地返回默认值。
新手危险写法：
user = {"name": "李四", "age": 28}
address = user["address"]# KeyError！
优化写法：
user = {"name": "李四", "age": 28}
address = user.get("address", "未知地址")
print(address)# 未知地址
user.setdefault("phone", "未知手机号")
print(user)
进阶：复杂嵌套字典可封装递归取值函数，彻底解决多层键缺失问题。
05 精准捕获异常，拒绝裸 except
新手常用 except: 捕获所有异常，隐藏真正的bug，线上问题难以定位。应优先捕获具体异常类型，最后用 Exception 兜底并记录日志。
新手不规范写法：
def divide(a, b):
try:
return a / b
except:
return "执行失败"
优化写法：
def divide(a, b):
try:
return a / b
except ZeroDivisionError:
print("【参数异常】除数不能为0")
return None
except TypeError:
print("【类型异常】参数必须为数字")
return None
except Exception as e:
print(f"【未知异常】{str(e)}")
return None
print(divide(10, 0))
规范：线上所有异常必须记录详细日志，便于溯源。
06 用 logging 替换 print，分级输出日志
新手全程用 print() 打印日志，没有时间戳、级别、行号，线上排查完全失效。以下是一套可直接复用的日志配置模板：
import logging
logging.basicConfig(
level=logging.INFO,
format="%(asctime)s - %(levelname)s - %(filename)s:%(lineno)d - %(message)s",
datefmt="%Y-%m-%d %H:%M:%S"
)
logging.debug("调试信息：仅开发环境展示")
logging.info("正常业务日志：接口调用、数据处理")
logging.warning("警告信息：参数异常、数据缺失")
logging.error("错误信息：程序报错、接口失败")
核心优势：自带时间、代码行号、级别，支持文件落地和按天切割。
07 用 with 上下文管理器管控资源
文件、数据库连接、网络请求等资源操作，新手容易忘记 close()，异常时更会漏关，造成资源泄漏。with 语句自动申请和释放资源，异常时也能回收。
新手资源泄漏写法：
f = open("test.txt", "w", encoding="utf-8")
f.write("Python工程化优化")
f.close()# 如果之前异常中断，close不会执行
优化写法：
with open("test.txt", "w", encoding="utf-8") as f:
f.write("Python工程化优化，拒绝资源泄露")
print("文件写入完成")
拓展：数据库连接、Redis连接、HTTP请求均可自定义上下文管理器，统一资源管控。
总结
新手重功能，高手重性能、规范、稳定性和可维护性。上文7个技巧核心：
- 代码扁平化（元组解包 + all）
- 循环优化（filter / map）
- 内存优化（生成器）
- 字典取值（get()）
- 异常处理（精准捕获 + 日志记录）
- 日志工程化（logging 替代 print）
- 资源管控（with 上下文管理器）
熟练掌握这些，就能写出企业级可落地、高性能的 Python 代码。
Re: Python工程级代码优化7招：解包、生成器、异常处理与日志实战
写得非常实用！这几个优化点都是日常开发中最容易踩坑的地方，尤其生成器替代列表和 get() 取值，对内存和健壮性的提升立竿见影。楼主还特意把新手写法和高阶写法对比出来，方便理解改进思路。期待后续的日志部分～Re: Python工程级代码优化7招：解包、生成器、异常处理与日志实战
写得非常实用！这几个点都是新手进阶工程化的必经之路。我自己之前一直用 try: except: 裸捕获，排查问题全靠猜，改成精准异常后线上日志清晰太多了。另外生成器那段也很关键，百万级数据场景下内存差异巨大，新手最容易踩这个坑。感谢分享！Re: Python工程级代码优化7招：解包、生成器、异常处理与日志实战
楼主分享的这几个优化技巧非常实用，尤其是用 `get()` 替代直接访问、`filter`+`map` 替代循环，还有生成器处理大数据量，都是日常容易踩坑的地方。不过看到最后一条好像只写了一半，是内容被截断了吗？期待你补全第6招和第7招，特别好奇日志分级那块的具体写法。谢谢分享！
页:
[1]