python代碼調試方法

1. 一個項目里,運行.sh文件調用py文件,從而開始整個項目,那麼如何debug .py文件呢

要在運行.sh文件調用的.py文件中進行調試，可以使用python內置的調試器pdb。可以在.py文件中插入以下代碼以啟用pdb調試器：
pythonCopy codeimport pdb
pdb.set_trace()

當Python執行到pdb.set_trace()時，它會在該行停止執行攜雹，等待用戶輸入命令辯野帆，以便在該行之後單步執行代碼。
另外一種方法是在脊並調用.sh文件時添加參數-m pdb，例如：
bashCopy codepython -m pdb my_script.py arg1 arg2

這將使用Python的內置調試器pdb運行my_script.py，並在my_script.py中插入斷點。當Python執行到斷點時，它將進入pdb調試器，等待用戶輸入命令以進行調試。
需要注意的是，使用pdb調試器需要一定的Python編程經驗和調試技能，如果您不熟悉Python調試或pdb調試器，可能需要先學習相關知識。

2. 如何使用visualstudio2013編寫和調試python語言程序

方法/步驟
1
電腦上安裝微軟公司的VS2013，可以從dreamspark
上下載正版或通過其他途徑獲得，安裝即可。
2
打開VS2013
3
可以通過點擊文件
-
-
新建
-
-
項目
建立工程或者點擊
歡迎頁的「新建項目」建立工程。
4
彈出對話框，勾選
「空項目」建立工程，工程名可任意填英文字元，如project1，其他不用填。
5
建立工程後，在右側有一個「解決方案資源管理器」，找到源文件，右擊，再左擊
添加
-
-
新建項
-
-
C++文件，這樣就在工程project1
下建立了一個源文件，名稱比如為
源.cpp
，就可以編輯代碼了。
如果你已經用其他
字元編輯軟體寫好了
C++源程序，也可以右擊
源文件，左擊
-
-
現有項，在文件夾中找到你的源程序添加到工程下。
6
編輯好了源文件，就可以運行或調試了，初學者是寫簡單的程序，所以只用一個源文件就行了。點擊
調試
-
-
開始運行（不調試）
就直接編譯運行，有錯誤的話系統會提示。
7
如果要調試，可以
點擊
調試
-
-
逐語句（F10）或
逐過程（F11）
8
或者
設置斷點
9
調試前
點擊調試
--
窗口（也就是watch）
可以選擇不同的顯示結果，
可以顯示出變數的變化過程，方便調試。
點擊
「繼續」結束調試。

3. 如何在 Python 中使用斷點調試

在eclipse下可以單步調試python的方法：
1、右鍵單擊標尺欄添加斷點

2、將滑鼠移至需要添加斷點的代碼行，使用快捷鍵 Ctrl+F10，在彈出的菜單欄中選擇 」Add Breakpoint」 添加斷點。
添加好斷點後，選擇 Debug As -> Python Run 啟動調試器，彈出一個對話框，詢問是否切換到調試器透視圖，單擊 Yes，即顯示調試模式。
3、調試器透視圖

程序調試過程中，常用的幾個快捷鍵如下：
單步跳入 Step Into: F5
單步跳過 Step Over: F6
單步返回 Step Return: F7
重新開始 Resume: F8
在控制台 Console 中，顯示出斷點之前代碼的執行結果。如果要查看某個變數的值，以變數 a 為例，可以手動在控制台中鍵入一行代碼 」print 『a is:』, a」，再連續按兩次 Enter 鍵，即顯示出變數的值。

4. Python調試

...
while True:
text = input('請輸入文物拆睜本罩歲御宴：')
if text == 'quit':
break
n = len(text)
wav = range[n] # add this
for i,ch in enumerate(text):
'''print(i,ch)
...

5. python如何一步步調試

裝個Pycharm

1 添加斷點

2 Debug下運行代碼：

3 F8：進行下一步操作

F7 ：跳入下一個方法中

6. python代碼怎麼加一層驗證

1、點擊開始的行（斷正拍點相當於stop）舉敬羨。
2、選擇Debugger進行稿手調試代碼。
3、開始調試代碼，檢測python代碼出現死循環的暫停方法。

7. python調試程序BUG的心得技巧分享

【導讀】相信各位Python工程師們在寫Python代碼的時候，免不了經常會出現bug滿天飛這種情況，這個時候我們可能就得一個標點一個標點的去排查，費時又費力，但是，我們又很難發現到底是其中的哪一個步驟，導致了這些問題的出現。導致這些問題的其中一個原因，就是我們沒有養成良好的編程習慣。編程習慣就好比是電影中的特效。電影特效越好，呈現出來的觀影效果也自然越好。同樣，如果我們能夠養成好的編程習慣，在查找錯誤的時候，自己的思路就會更加清晰。下面是小編整理的解決Python項目bug的心得技巧分享，包含六小點，希望對大家有所幫助。

方法一：使用項目管理工具

無論Python項目簡單與否，我們都應該使用Git進行版本控制。大部分支持Python的IDE(集成開發環境)都內置了對Git這一類項目管理工具的支持。

我們在修改代碼時，常常會出現改著改著程序就崩了的情況，改出的最新版本有時候還不如上一個版本。而Git，恰好能夠及時幫我們保存之前的版本。使用了它以後，我們也不需要不停地用「ctrl+z」來撤回代碼了。

方法二：使用Python的內置函數

Python的內置函數和標准庫都可以處理常見的用例，而不需要自己重新定義函數。

但是，剛剛入門的Python開發人員們對其中的函數並不熟悉。所以他們經常會遇到這樣一個問題——在不需要記住內容的情況下，如何才能知道標准庫中的內容是否涵蓋了自己的用例?最簡單的方法是將標准庫索引和內置函數概述頁添加為書簽，並且在遇到「日常編程」類問題的時候立即瀏覽一下。我們使用這些函數的頻率高了，自然也就能記住這些函數了。

方法三：使用正確的模塊

與內置函數和標准庫一樣，Python中大量的第三方模塊集合，也可以幫助我們節省大量的人力。通過PyPI的Web前端，可以針對我們的問題觸發搜索詞，我們很容易就能找到適合自己的解決方案。

方法四：使用OOP

面向對象編程(OOP)將數據結構與用於操作它們的方法捆綁在一起，從而使編寫高級代碼更加容易。OOP非常適合用於Python這一類高級語言，尤其是項目非常復雜的時候。熟悉Python的開發人員都知道，使用OOP可以減少代碼量，從而節省大量的時間。

但是，也不是所有的項目都需要使用OOP。如果項目沒有特別要求，一些小型的項目就可以不用OOP。

方法五：編寫測試代碼並不斷測試

一個好的程序員一定知道測試之於項目的重要性。編寫測試代碼的確是一個很枯燥的過程，但是不進行測試，我們就無法發現程序的問題所在。

如果一個項目非常復雜的話，我們就必須要做到及時測試。越早測試，就能越早發現問題。而不是說等代碼全部寫完了，才開始進行測試，這樣反而會導致更多的錯誤和更大的工作量。

當然，我們也可以尋找專業的軟體測試人員，來幫助我們進行測試。這樣我們也可以把更多的精力投入到項目程序本身。

方法六：選擇正確的Python版本

部分人仍然在使用Python2，但Python官方的開發團隊早已經不對這一版本進行維護了。聰明的開發人員都已經將Python2里的項目遷移到Python3中了。

Python目前的最新版本是Python3.8.5，但也不是說你一定要使用最新版本。專業的軟體開發人員都知道，任何軟體的最新版本都不一定是最好的，因為它仍需要開發團隊不斷地去改良。程序員一般都會使用在最新版本之前的一個版本，舊版本相對而言是比較成熟的。

無論是運用哪一種語言編寫代碼，優秀的程序員都具備良好的編程習慣。這些習慣不僅能夠讓我們思路更加清晰，也可以幫助我們減輕工作量，從而節省大量的時間。所以，可能你離優秀的程序員，只差一個好習慣了哦~

以上就是小編今天給大家整理發送的關於「解決Python項目BUG的心得技巧分享」的相關內容，希望對大家有所幫助。小編認為要想在大數據行業有所建樹，需要考取部分含金量高的數據分析師證書，這樣更有核心競爭力與競爭資本。

8. 後端編程Python3-調試、測試和性能剖析(下)

單元測試（Unit Testing）

為程序編寫測試——如果做的到位——有助於減少bug的出現，並可以提高我們對程序按預期目標運行的信心。通常，測試並不能保證正確性，因為對大多數程序而言， 可能的輸入范圍以及可能的計算范圍是如此之大，只有其中最小的一部分能被實際地進 行測試。盡管如此，通過仔細地選擇測試的方法和目標，可以提高代碼的質量。

大量不同類型的測試都可以進行，比如可用性測試、功能測試以及整合測試等。這里, 我們只講單元測試一對單獨的函數、類與方法進行測試，確保其符合預期的行為。

TDD的一個關鍵點是，當我們想添加一個功能時——比如為類添加一個方法—— 我們首次為其編寫一個測試用例。當然，測試將失敗，因為我們還沒有實際編寫該方法。現在，我們編寫該方法，一旦方法通過了測試，就可以返回所有測試，確保我們新添加的代碼沒有任何預期外的副作用。一旦所有測試運行完畢（包括我們為新功能編寫的測試），就可以對我們的代碼進行檢查，並有理有據地相信程序行為符合我們的期望——當然，前提是我們的測試是適當的。

比如，我們編寫了一個函數，該函數在特定的索引位置插入一個字元串，可以像下面這樣開始我們的TDD：

def insert_at（string, position, insert）:

"""Returns a of string with insert inserted at the position

>>> string = "ABCDE"

>>> result =[]

>>> for i in range(-2, len(string) + 2):

... result.append(insert_at(string, i,「-」))

>>> result[:5]

['ABC-DE', 'ABCD-E', '-ABCDE','A-BCDE', 'AB-CDE']

>>> result[5:]

['ABC-DE', 'ABCD-E', 'ABCDE-', 'ABCDE-']

"""

return string

對不返回任何參數的函數或方法（通常返回None）,我們通常賦予其由pass構成的一個suite,對那些返回值被試用的，我們或者返回一個常數（比如0）,或者某個不變的參數——這也是我們這里所做的。（在更復雜的情況下，返回fake對象可能更有用一一對這樣的類，提供mock對象的第三方模塊是可用的。）

運行doctest時會失敗，並列出每個預期內的字元串（'ABCD-EF'、'ABCDE-F' 等），及其實際獲取的字元串（所有的都是'ABCD-EF'）。一旦確定doctest是充分的和正確的，就可以編寫該函數的主體部分，在本例中只是簡單的return string[:position] + insert+string[position:]。（如果我們編寫的是 return string[:position] + insert,之後復制 string [:position]並將其粘貼在末尾以便減少一些輸入操作，那麼doctest會立即提示錯誤。）

Python的標准庫提供了兩個單元測試模塊，一個是doctest,這里和前面都簡單地提到過，另一個是unittest。此外，還有一些可用於Python的第三方測試工具。其中最著名的兩個是nose (code.google.com/p/python-nose)與py.test (codespeak.net/py/dist/test/test.html), nose 致力於提供比標準的unittest 模塊更廣泛的功能，同時保持與該模塊的兼容性，py.test則採用了與unittest有些不同的方法，試圖盡可能消除樣板測試代碼。這兩個第三方模塊都支持測試發現，因此沒必要寫一個總體的測試程序——因為模塊將自己搜索測試程序。這使得測試整個代碼樹或某一部分 (比如那些已經起作用的模塊)變得很容易。那些對測試嚴重關切的人，在決定使用哪個測試工具之前，對這兩個(以及任何其他有吸引力的)第三方模塊進行研究都是值 得的。

創建doctest是直截了當的：我們在模塊中編寫測試、函數、類與方法的docstrings。 對於模塊，我們簡單地在末尾添加了 3行：

if __name__ =="__main__":

import doctest

doctest.testmod()

在程序內部使用doctest也是可能的。比如，blocks.py程序(其模塊在後面)有自己函數的doctest，但以如下代碼結尾：

if __name__== "__main__":

main()

這里簡單地調用了程序的main()函數，並且沒有執行程序的doctest。要實驗程序的 doctest,有兩種方法。一種是導入doctest模塊，之後運行程序---比如，在控制台中輸 入 python3 -m doctest blocks.py (在 Wndows 平台上，使用類似於 C:Python3 lpython.exe 這樣的形式替代python3)。如果所有測試運行良好，就沒有輸出，因此，我們可能寧願執行python3-m doctest blocks.py-v,因為這會列出每個執行的doctest,並在最後給出結果摘要。

另一種執行doctest的方法是使用unittest模塊創建單獨的測試程序。在概念上， unittest模塊是根據Java的JUnit單元測試庫進行建模的，並用於創建包含測試用例的測試套件。unittest模塊可以基於doctests創建測試用例，而不需要知道程序或模塊包含的任何事物——只要知道其包含doctest即可。因此，為給blocks.py程序製作一個測試套件，我們可以創建如下的簡單程序(將其稱為test_blocks.py)：

import doctest

import unittest

import blocks

suite = unittest.TestSuite()

suite.addTest(doctest.DocTestSuite(blocks))

runner = unittest.TextTestRunner()

print(runner.run(suite))

注意，如果釆用這種方法，程序的名稱上會有一個隱含的約束：程序名必須是有效的模塊名。因此，名為convert-incidents.py的程序的測試不能寫成這樣。因為import convert-incidents不是有效的，在Python標識符中，連接符是無效的（避開這一約束是可能的，但最簡單的解決方案是使用總是有效模塊名的程序文件名，比如，使用下劃線替換連接符）。這里展示的結構（創建一個測試套件，添加一個或多個測試用例或測試套件，運行總體的測試套件，輸出結果）是典型的機遇unittest的測試。運行時，這一特定實例產生如下結果：

...

.............................................................................................................

Ran 3 tests in 0.244s

OK

每次執行一個測試用例時，都會輸出一個句點（因此上面的輸出最前面有3個句點），之後是一行連接符，再之後是測試摘要（如果有任何一個測試失敗，就會有更多的輸出信息）。

如果我們嘗試將測試分離開（典型情況下是要測試的每個程序和模塊都有一個測試用例），就不要再使用doctests,而是直接使用unittest模塊的功能——尤其是我們習慣於使用JUnit方法進行測試時ounittest模塊會將測試分離於代碼——對大型項目（測試編寫人員與開發人員可能不一致）而言，這種方法特別有用。此外，unittest單元測試編寫為獨立的Python模塊，因此，不會像在docstring內部編寫測試用例時受到兼容性和明智性的限制。

unittest模塊定義了 4個關鍵概念。測試夾具是一個用於描述創建測試（以及用完之後將其清理）所必需的代碼的術語，典型實例是創建測試所用的一個輸入文件，最後刪除輸入文件與結果輸出文件。測試套件是一組測試用例的組合。測試用例是測試的基本單元—我們很快就會看到實例。測試運行者是執行一個或多個測試套件的對象。

典型情況下，測試套件是通過創建unittest.TestCase的子類實現的，其中每個名稱 以「test」開頭的方法都是一個測試用例。如果我們需要完成任何創建操作，就可以在一個名為setUp()的方法中實現；類似地，對任何清理操作，也可以實現一個名為 tearDown()的方法。在測試內部，有大量可供我們使用的unittest.TestCase方法，包括 assertTrue()、assertEqual()、assertAlmostEqual()（對於測試浮點數很有用）、assertRaises() 以及更多，還包括很多對應的逆方法，比如assertFalse()、assertNotEqual()、failIfEqual()、 failUnlessEqual ()等。

unittest模塊進行了很好的歸檔，並且提供了大量功能，但在這里我們只是通過一 個非常簡單的測試套件來感受一下該模塊的使用。這里將要使用的實例,該練習要求創建一個Atomic模塊，該模塊可以用作一 個上下文管理器，以確保或者所有改變都應用於某個列表、集合或字典，或者所有改變都不應用。作為解決方案提供的Atomic.py模塊使用30行代碼來實現Atomic類， 並提供了 100行左右的模塊doctest。這里，我們將創建test_Atomic.py模塊，並使用 unittest測試替換doctest,以便可以刪除doctest。

在編寫測試模塊之前，我們需要思考都需要哪些測試。我們需要測試3種不同的數據類型：列表、集合與字典。對於列表，需要測試的是插入項、刪除項或修改項的值。對於集合，我們必須測試向其中添加或刪除一個項。對於字典，我們必須測試的是插入一個項、修改一個項的值、刪除一個項。此外，還必須要測試的是在失敗的情況下，不會有任何改變實際生效。

結構上看，測試不同數據類型實質上是一樣的，因此，我們將只為測試列表編寫測試用例，而將其他的留作練習。test_Atomic.py模塊必須導入unittest模塊與要進行測試的Atomic模塊。

創建unittest文件時，我們通常創建的是模塊而非程序。在每個模塊內部，我們定義一個或多個unittest.TestCase子類。比如，test_Atomic.py模塊中僅一個單獨的 unittest-TestCase子類，也就是TestAtomic (稍後將對其進行講解)，並以如下兩行結束:

if name == "__main__":

unittest.main()

這兩行使得該模塊可以單獨運行。當然，該模塊也可以被導入並從其他測試程序中運行——如果這只是多個測試套件中的一個，這一點是有意義的。

如果想要從其他測試程序中運行test_Atomic.py模塊，那麼可以編寫一個與此類似的程序。我們習慣於使用unittest模塊執行doctests,比如：

import unittest

import test_Atomic

suite = unittest.TestLoader().loadTestsFromTestCase(test_Atomic.TestAtomic)

runner = unittest.TextTestRunner()

pnnt(runner.run(suite))

這里，我們已經創建了一個單獨的套件，這是通過讓unittest模塊讀取test_Atomic 模塊實現的，並且使用其每一個test*()方法(本實例中是test_list_success()、test_list_fail()，稍後很快就會看到)作為測試用例。

我們現在將查看TestAtomic類的實現。對通常的子類(不包括unittest.TestCase 子類)，不怎麼常見的是，沒有必要實現初始化程序。在這一案例中，我們將需要建立 一個方法，但不需要清理方法，並且我們將實現兩個測試用例。

def setUp(self)：

self.original_list = list(range(10))

我們已經使用了 unittest.TestCase.setUp()方法來創建單獨的測試數據片段。

def test_list_succeed(self):

items = self.original_list[:]

with Atomic.Atomic(items) as atomic:

atomic.append(1999)

atomic.insert(2, -915)

del atomic[5]

atomic[4]= -782

atomic.insert(0, -9)

self.assertEqual(items,

[-9, 0, 1, -915, 2, -782, 5, 6, 7, 8, 9, 1999])

def test_list_fail(self):

items = self.original_list[:]

with self.assertRaises(AttributeError):

with Atomic.Atomic(items) as atomic:

atomic.append(1999)

atomic.insert(2, -915)

del atomic[5]

atomic[4] = -782

atomic.poop() # Typo

self.assertListEqual(items, self.original_list)

這里，我們直接在測試方法中編寫了測試代碼，而不需要一個內部函數，也不再使用unittest.TestCase.assertRaised()作為上下文管理器(期望代碼產生AttributeError)。 最後我們也使用了 Python 3.1 的 unittest.TestCase.assertListEqual()方法。

正如我們已經看到的，Python的測試模塊易於使用，並且極為有用，在我們使用 TDD的情況下更是如此。它們還有比這里展示的要多得多的大量功能與特徵——比如，跳過測試的能力，這有助於理解平台差別——並且這些都有很好的文檔支持。缺失的一個功能——但nose與py.test提供了——是測試發現，盡管這一特徵被期望在後續的Python版本(或許與Python 3.2—起)中出現。

性能剖析（Profiling）

如果程序運行很慢，或者消耗了比預期內要多得多的內存，那麼問題通常是選擇的演算法或數據結構不合適，或者是以低效的方式進行實現。不管問題的原因是什麼， 最好的方法都是准確地找到問題發生的地方,而不只是檢査代碼並試圖對其進行優化。 隨機優化會導致引入bug,或者對程序中本來對程序整體性能並沒有實際影響的部分進行提速，而這並非解釋器耗費大部分時間的地方。

在深入討論profiling之前，注意一些易於學習和使用的Python程序設計習慣是有意義的，並且對提高程序性能不無裨益。這些技術都不是特定於某個Python版本的， 而是合理的Python程序設計風格。第一，在需要只讀序列時，最好使用元組而非列表； 第二，使用生成器，而不是創建大的元組和列表並在其上進行迭代處理；第三，盡量使用Python內置的數據結構 dicts、lists、tuples 而不實現自己的自定義結構，因為內置的數據結構都是經過了高度優化的；第四，從小字元串中產生大字元串時， 不要對小字元串進行連接，而是在列表中累積，最後將字元串列表結合成為一個單獨的字元串；第五，也是最後一點，如果某個對象(包括函數或方法)需要多次使用屬性進行訪問(比如訪問模塊中的某個函數)，或從某個數據結構中進行訪問，那麼較好的做法是創建並使用一個局部變數來訪問該對象，以便提供更快的訪問速度。

Python標准庫提供了兩個特別有用的模塊，可以輔助調査代碼的性能問題。一個是timeit模塊——該模塊可用於對一小段Python代碼進行計時，並可用於諸如對兩個或多個特定函數或方法的性能進行比較等場合。另一個是cProfile模塊，可用於profile 程序的性能——該模塊對調用計數與次數進行了詳細分解，以便發現性能瓶頸所在。

為了解timeit模塊，我們將查看一些小實例。假定有3個函數function_a()、 function_b()、function_c(), 3個函數執行同樣的計算，但分別使用不同的演算法。如果將這些函數放於同一個模塊中(或分別導入)，就可以使用timeit模塊對其進行運行和比較。下面給出的是模塊最後使用的代碼：

if __name__ == "__main__":

repeats = 1000

for function in ("function_a", "function_b", "function_c"):

t = timeit.Timer("{0}(X, Y)".format(function),"from __main__ import {0}, X, Y".format(function))

sec = t.timeit(repeats) / repeats

print("{function}() {sec:.6f} sec".format(**locals()))

賦予timeit.Timer()構造子的第一個參數是我們想要執行並計時的代碼，其形式是字元串。這里，該字元串是「function_a(X,Y)」；第二個參數是可選的，還是一個待執行的字元串，這一次是在待計時的代碼之前，以便提供一些建立工作。這里，我們從 __main__ (即this)模塊導入了待測試的函數，還有兩個作為輸入數據傳入的變數(X 與Y),這兩個變數在該模塊中是作為全局變數提供的。我們也可以很輕易地像從其他模塊中導入數據一樣來進行導入操作。

調用timeit.Timer對象的timeit()方法時，首先將執行構造子的第二個參數(如果有)， 之後執行構造子的第一個參數並對其執行時間進行計時。timeit.Timer.timeit()方法的返回值是以秒計數的時間，類型是float。默認情況下，timeit()方法重復100萬次，並返回所 有這些執行的總秒數，但在這一特定案例中，只需要1000次反復就可以給出有用的結果, 因此對重復計數次數進行了顯式指定。在對每個函數進行計時後，使用重復次數對總數進行除法操作，就得到了平均執行時間，並在控制台中列印出函數名與執行時間。

function_a() 0.001618 sec

function_b() 0.012786 sec

function_c() 0.003248 sec

在這一實例中，function_a()顯然是最快的——至少對於這里使用的輸入數據而言。 在有些情況下一一比如輸入數據不同會對性能產生巨大影響——可能需要使用多組輸入數據對每個函數進行測試，以便覆蓋有代表性的測試用例，並對總執行時間或平均執行時間進行比較。

有時監控自己的代碼進行計時並不是很方便，因此timeit模塊提供了一種在命令行中對代碼執行時間進行計時的途徑。比如，要對MyMole.py模塊中的函數function_a()進行計時，可以在控制台中輸入如下命令：python3 -m timeit -n 1000 -s "from MyMole import function_a, X, Y" "function_a(X, Y)"(與通常所做的一樣，對 Windows 環境，我們必須使用類似於C:Python3lpython.exe這樣的內容來替換python3)。-m選項用於Python 解釋器，使其可以載入指定的模塊(這里是timeit),其他選項則由timeit模塊進行處理。 -n選項指定了循環計數次數，-s選項指定了要建立，最後一個參數是要執行和計時的代碼。命令完成後，會向控制台中列印運行結果，比如：

1000 loops, best of 3: 1.41 msec per loop

之後我們可以輕易地對其他兩個函數進行計時，以便對其進行整體的比較。

cProfile模塊(或者profile模塊，這里統稱為cProfile模塊)也可以用於比較函數 與方法的性能。與只是提供原始計時的timeit模塊不同的是，cProfile模塊精確地展示 了有什麼被調用以及每個調用耗費了多少時間。下面是用於比較與前面一樣的3個函數的代碼：

if __name__ == "__main__":

for function in ("function_a", "function_b", "function_c"):

cProfile.run("for i in ranged 1000): {0}(X, Y)".format(function))

我們必須將重復的次數放置在要傳遞給cProfile.run()函數的代碼內部，但不需要做任何創建，因為模塊函數會使用內省來尋找需要使用的函數與變數。這里沒有使用顯式的print()語句，因為默認情況下，cProfile.run()函數會在控制台中列印其輸出。下面給出的是所有函數的相關結果(有些無關行被省略，格式也進行了稍許調整，以便與頁面適應)：

1003 function calls in 1.661 CPU seconds

ncalls tottime percall cumtime percall filename:lineno(function)

1 0.003 0.003 1.661 1.661 :1 ( )

1000 1.658 0.002 1.658 0.002 MyMole.py:21 (function_a)

1 0.000 0.000 1.661 1.661 {built-in method exec}

5132003 function calls in 22.700 CPU seconds

ncalls tottime percall cumtime percall filename:lineno(function)

1 0.487 0.487 22.700 22.700 : 1 ( )

1000 0.011 0.000 22.213 0.022 MyMole.py:28(function_b)

5128000 7.048 0.000 7.048 0.000 MyMole.py:29( )

1000 0.00 50.000 0.005 0.000 {built-in method bisectjeft}

1 0.000 0.000 22.700 22.700 {built-in method exec}

1000 0.001 0.000 0.001 0.000 {built-in method len}

1000 15.149 0.015 22.196 0.022 {built-in method sorted}

5129003 function calls in 12.987 CPU seconds

ncalls tottime percall cumtime percall filename:lineno(function)

1 0.205 0.205 12.987 12.987 :l ( )

1000 6.472 0.006 12.782 0.013 MyMole.py:36(function_c)

5128000 6.311 0.000 6.311 0.000 MyMole.py:37( )

1 0.000 0.000 12.987 12.987 {built-in method exec}

ncalls ("調用的次數")列列出了對指定函數(在filename:lineno(function)中列出) 的調用次數。回想一下我們重復了 1000次調用，因此必須將這個次數記住。tottime (「總的時間」)列列出了某個函數中耗費的總時間，但是排除了函數調用的其他函數內部花費的時間。第一個percall列列出了對函數的每次調用的平均時間(tottime // ncalls)。 cumtime ("累積時間")列出了在函數中耗費的時間，並且包含了函數調用的其他函數內部花費的時間。第二個percall列列出了對函數的每次調用的平均時間，包括其調用的函數耗費的時間。

這種輸出信息要比timeit模塊的原始計時信息富有啟發意義的多。我們立即可以發現，function_b()與function_c()使用了被調用5000次以上的生成器，使得它們的速度至少要比function_a()慢10倍以上。並且，function_b()調用了更多通常意義上的函數，包括調用內置的sorted()函數，這使得其幾乎比function_c()還要慢兩倍。當然,timeit() 模塊提供了足夠的信息來查看計時上存在的這些差別，但cProfile模塊允許我們了解為什麼會存在這些差別。正如timeit模塊允許對代碼進行計時而又不需要對其監控一樣，cProfile模塊也可以做到這一點。然而，從命令行使用cProfile模塊時，我們不能精確地指定要執行的 是什麼——而只是執行給定的程序或模塊，並報告所有這些的計時結果。需要使用的 命令行是python3 -m cProfile programOrMole.py,產生的輸出信息與前面看到的一 樣，下面給出的是輸出信息樣例，格式上進行了一些調整，並忽略了大多數行：

10272458 function calls (10272457 primitive calls) in 37.718 CPU secs

ncalls tottime percall cumtime percall filename:lineno(function)

10.000 0.000 37.718 37.718 :1 ( )

10.719 0.719 37.717 37.717 :12( )

1000 1.569 0.002 1.569 0.002 :20(function_a)

1000 0.011 0.000 22.560 0.023 :27(function_b)

5128000 7.078 0.000 7.078 0.000 :28( )

1000 6.510 0.007 12.825 0.013 :35(function_c)

5128000 6.316 0.000 6.316 0.000 :36( )

在cProfile術語學中，原始調用指的就是非遞歸的函數調用。

以這種方式使用cProfile模塊對於識別值得進一步研究的區域是有用的。比如，這里 我們可以清晰地看到function_b()需要耗費更長的時間，但是我們怎樣獲取進一步的詳細資料？我們可以使用cProfile.run("function_b()")來替換對function_b()的調用。或者可以保存完全的profile數據並使用pstats模塊對其進行分析。要保存profile,就必須對命令行進行稍許修改:python3 -m cProfile -o profileDataFile programOrMole.py。 之後可以對 profile 數據進行分析，比如啟動IDLE,導入pstats模塊，賦予其已保存的profileDataFile,或者也可以在控制台中互動式地使用pstats。

下面給出的是一個非常短的控制台會話實例，為使其適合頁面展示，進行了適當調整，我們自己的輸入則以粗體展示：

$ python3 -m cProfile -o profile.dat MyMole.py

$ python3 -m pstats

Welcome to the profile statistics browser.

% read profile.dat

profile.dat% callers function_b

Random listing order was used

List reced from 44 to 1 e to restriction

Function was called by...

ncalls tottime cumtime

:27(function_b) <- 1000 0.011 22.251 :12( )

profile.dat% callees function_b

Random listing order was used

List reced from 44 to 1 e to restriction

Function called...

ncalls tottime cumtime

:27(function_b)->

1000 0.005 0.005 built-in method bisectJeft

1000 0.001 0.001 built-in method len

1000 1 5.297 22.234 built-in method sorted

profile.dat% quit

輸入help可以獲取命令列表，help後面跟隨命令名可以獲取該命令的更多信息。比如, help stats將列出可以賦予stats命令的參數。還有其他一些可用的工具，可以提供profile數據的圖形化展示形式，比如 RunSnakeRun (www.vrplumber.com/prograinming/runsnakerun), 該工具需要依賴於wxPython GUI庫。

使用timeit與cProfile模塊，我們可以識別出我們自己代碼中哪些區域會耗費超過預期的時間；使用cProfile模塊，還可以准確算岀時間消耗在哪裡。

以上內容部分摘自視頻課程 05後端編程Python-19調試、測試和性能調優(下) ，更多實操示例請參照視頻講解。跟著張員外講編程，學習更輕松，不花錢還能學習真本領。

9. 怎麼用python的pdb模塊進行調試

工具/材料

電腦，python環境

• 01

  首先打開電腦後，打開終端，我這里以調試debug.py文件做說明，簡單介紹python的pdb調試。為了演示，先用cat命令查看一下改並租debug.py的內容。

• 02

  我這里用的python3的環境，在終端里輸入如圖顯示python3 -m pdb debug.py命令。就是就是用核兆python的pdb模塊調試debug.py文件代碼。

• 03

  進入調試後，在終端里輸入小寫字母l，就是英文單詞list的縮寫，意思就是列出代碼內容。如果顯蔽空示。

• 04

  在終端里輸入小寫字母n，就是英文單詞next的縮寫,意思就是執行下一行代碼。

• 05

  在終端里輸入小寫字母p x，p就是英文單詞print的縮寫,意思就是列印變數x的值。

• 06

  在終端里輸入小寫字母s，s就是英文單詞s的縮寫,進入函數內部調試。

• 07

  在終端里輸入小寫字母a，a就是英文單詞arguments(參數)的縮寫,會列印顯示函數所有變數的值。

• 08

  在終端里輸入小寫字母c，就是英文單詞continue的縮寫,意思就是繼續執行代碼一直結束，然後重新進入調試。

• 09

  在終端里輸入小寫字母b和阿拉伯數字6，b就是英文單詞break的縮寫,意思就是在第6行代碼打個斷點。

• 10

  在終端里輸入小寫字母q，q就是英文單詞quit的縮寫,意思就是退出調試。

10. 大神和小白都在用的Pychram小技巧，讓你告別低效率工作

大家用學python用的最大的編輯器應該是Pychram，在這我分享幾個在學習和工作中最常用的Pychram小技巧。

經常聽人說，多看源碼。源碼不僅能幫我們搞清楚運行機制，還能學習優秀的庫或者框架的最佳實踐。

調用庫時，可以點擊你不了解的地方，然後 Ctrl+B ，就會直接跳轉到源碼里的類，方法，函數，變數的定義，能讓我們快速了解到有關這個庫的知識。

PEP8 是針對Python語言編訂的代碼風格指南。寫 Python 代碼時，盡管我們可以在保證語法沒有問題的前提下隨意書寫Python代碼，但是在實際開發中，採用一致的風格書寫出可讀性強的代碼是每個專業的程序員應該做到的事情。

尤其是要上傳到GitHub這樣的一些平台上去的，但是靠肉眼去檢查和注意的話，對我們來說太麻煩，所以直接在Pychram裡面 Ctrl + Alt + L 一鍵 PEP 規范。

像安裝庫我們一般是用黑窗口 pip install 命令安裝，慶殲做如果你是新手，可能會為了安裝庫而感到煩惱，在 PyCharm 裡面可以使用你熟悉的圖形化界面來安裝庫，就是 在 File 菜單 Settings里安裝 ，就不用陷在一堆命令行里了。

當我們需要在項目中尋找一個文件名的時候，按下 Ctrl + Shift + N （Mac：Command + Shift + O），然後輸入你想查找的文件名就可以了。如果你不記得全名了，只需要輸入首字母，Pycharm 就會提示你。

你會怎麼快速注釋一段 Python 代碼塊？不會是一行一行的加 # 吧……

可以先按下 Ctrl + Shift + [ / ] 從當前位置選擇到代碼塊的開始/結束，選擇自己需要注釋調的代碼塊，然後再按下 Ctrl + / 注釋。

有時候需要輸入很長的代碼，比如 if __ name __ == __ main __ : ，這時候手動輸入不如直接 Ctrl + J ，就可以直接插入常用代碼了。

運行代碼、調試代碼應該是大多數人最常用的快捷鍵。

Mac：

Control + r ：直接運行當前代碼

Control + d ：以Debug(調試)模式運行代碼

Windows/Linux：

Shift + F10 ：直接運行當前代碼

S hift + F9 ：以Debug(調試)模式運改凱行代碼

在寫前端頁面的時候，經常要更改一大段代碼的縮進，這時候可以先用 Shift + 上下鍵 來選擇你要縮進的代碼塊，然後使用 Tab 就能縮進。

當項目寫到一定規模的時候，難免方法/函數會很多，這個時候我們可以使用 Ctrl + +/- 代碼塊展開/折疊代碼，這個主要是為了方便查看。

當年需要查看多個代碼文件，你依然可以使用 PyCharm 在一個屏幕里查看多個文件。滑鼠放到當前導航處的文件譽衡名，然後右擊，選擇 Split Right 或者 Split down 就可以。