Python 调试：程序生病了怎么办？

引言：从"瞎猜"到"精准诊断"

想象你身体不舒服：

瞎猜（print()）：头疼就吃药，脚疼也吃药——症状和病因对不上，病没好还吃出一堆副作用；
体检（assert）：去医院做检查，血压、血糖、心电图——指标异常立刻报警，但体检单太多，医生也看不过来；
健康档案（logging）：历年体检数据存档，随时可查——不打扰当前生活，需要时调出分析；
专家会诊（pdb / IDE）：复杂病情，专家一步步排查——精准但耗时。

Python 调试就是给程序做"体检"——方法从简单到专业，按病情选择。

一、调试方法总览：五种"诊疗手段"

方法	适用场景	优点	缺点
`print()`	快速定位简单问题	简单直接	代码里到处是打印，最后要删
`assert`	验证关键假设	失败自动报错	太多影响性能，可用 `-O` 关闭
`logging`	长期监控、生产环境	分级输出、可写文件、不用删	需要配置
`pdb`	复杂逻辑单步跟踪	精确控制	命令行操作繁琐
`pdb.set_trace()`	定点排查	比全程序单步快	还是要命令行
IDE 调试	日常开发首选	图形界面、直观高效	依赖工具

二、`print()`：简单粗暴的"土方法"

python

def foo(s):
    n = int(s)
    print('>>> n = %d' % n)   # 打印关键变量
    return 10 / n

def main():
    foo('0')

main()

输出：

>>> n = 0
Traceback (most recent call last):
  ...
ZeroDivisionError: division by zero

问题：程序里到处都是 print，运行结果混杂垃圾信息，上线前还得一个个删掉。

适用：临时排查、快速验证——像创可贴，小伤口用用，大伤口不行。

三、`assert`：关键节点的"安检门"

3.1 基本用法

python

def foo(s):
    n = int(s)
    assert n != 0, 'n is zero!'   # 断言：n 必须不等于 0
    return 10 / n

def main():
    foo('0')

main()

输出：

AssertionError: n is zero!

原理：assert 条件, 消息 —— 条件为 False 时抛 AssertionError。

3.2 与 `print()` 对比

python

# print 版：打印后程序继续跑，错误后面才暴露
n = int(s)
print('>>> n = %d' % n)   # 打印了，但 n=0 还是继续执行
return 10 / n             # 这里才崩溃

# assert 版：n=0 立刻拦截，不往下走
n = int(s)
assert n != 0, 'n is zero!'   # 条件不满足，立刻报错
return 10 / n                 # 安全执行

生活化理解：print 是"我记录一下体温 40 度，但继续上班"；assert 是"体温 40 度，立刻送医院"。

3.3 关闭断言：`-O` 参数

bash

python -O err.py   # 大写 O，不是数字 0

关闭后，所有 assert 视为 pass——开发时用 assert 保安全，上线时关闭提性能。

四、`logging`：程序的"健康档案"

4.1 基本配置

python

import logging

logging.basicConfig(level=logging.INFO)   # 设置级别

s = '0'
n = int(s)
logging.info('n = %d' % n)   # 记录信息
print(10 / n)

输出：

INFO:root:n = 0
Traceback (most recent call last):
  ...
ZeroDivisionError: division by zero

4.2 级别控制

级别	用途	类比
`DEBUG`	详细调试信息	体检的每一项指标
`INFO`	关键节点信息	挂号、取药记录
`WARNING`	警告，但不影响运行	血压偏高，注意
`ERROR`	错误，功能受影响	确诊疾病，需要治疗

级别过滤：设置 level=WARNING 后，DEBUG 和 INFO 不输出。

python

logging.basicConfig(level=logging.WARNING)

logging.debug('调试信息')    # 不输出
logging.info('普通信息')     # 不输出
logging.warning('警告信息')  # 输出
logging.error('错误信息')    # 输出

4.3 输出到文件

python

logging.basicConfig(
    level=logging.INFO,
    filename='app.log',      # 写入文件
    format='%(asctime)s - %(levelname)s - %(message)s'
)

logging.info('程序启动')
logging.error('发生错误')

优势：不用删代码，改配置就能控制输出；同时输出到控制台和文件。

五、`pdb`：命令行"专家会诊"

5.1 全程序单步调试

bash

python -m pdb err.py

python

# err.py
s = '0'
n = int(s)
print(10 / n)

pdb 命令：

命令	作用	类比
`l`	查看当前代码位置	看病历
`n`	单步执行	下一步检查
`p 变量名`	查看变量值	看化验单
`c`	继续执行	结束会诊，继续观察
`q`	退出调试	结束诊疗

体验：理论万能，但一千行代码要按 999 次 n——太繁琐。

5.2 `pdb.set_trace()`：定点断点

python

import pdb

s = '0'
n = int(s)
pdb.set_trace()   # 在这里设断点，自动进入 pdb
print(10 / n)

运行后程序在 set_trace() 处暂停，可以用 p 查看变量，用 c 继续。

比全程序单步快，但还是命令行操作。

六、IDE 调试：图形化"专家门诊"

七、知识链条：从症状到确诊

程序出问题了
    ↓
简单问题 → print() 快速定位
    ↓
关键假设验证 → assert 拦截
    ↓
需要长期监控 → logging 记录
    ↓
复杂逻辑排查 → pdb 单步 / IDE 调试
    ↓
找到病因，修复代码

八、常见误区与避坑指南

8.1 误区一：assert 用于数据验证

python

def process_user_input(data):
    assert isinstance(data, str), '数据必须是字符串'   # ❌ 危险！

问题：python -O 关闭 assert 后，验证失效，恶意数据直接进入。

修正：用户输入验证用 if + raise，assert 只用于内部逻辑假设。

8.2 误区二：logging 级别混乱

python

logging.info('用户点击了按钮')           # ✅ 合适
logging.error('用户点击了按钮')          # ❌ 小题大做
logging.debug('数据库连接池已满')        # ❌ 级别太低，可能漏掉

原则：根据事件严重程度选级别，不是根据"我想不想看到"。

8.3 误区三：生产环境用 print

python

print('用户登录成功')   # ❌ 输出到控制台，无法收集、无法分级

修正：生产环境必须用 logging，支持集中收集和告警。

8.4 误区四：pdb 调多线程/异步代码

pdb 对多线程、异步支持很差，调试这类代码用 logging 或 IDE 的异步调试功能。

九、实际应用案例

案例 1：电商订单状态追踪

python

import logging

logging.basicConfig(
    level=logging.INFO,
    format='%(asctime)s [%(levelname)s] %(message)s'
)

def create_order(user_id, items):
    logging.info(f'用户 {user_id} 创建订单，商品数: {len(items)}')

    try:
        total = sum(item['price'] * item['count'] for item in items)
        logging.debug(f'订单金额计算: {total}')

        assert total > 0, '订单金额必须大于 0'

        order_id = save_to_db(user_id, items, total)
        logging.info(f'订单创建成功: {order_id}')

        return order_id

    except AssertionError as e:
        logging.warning(f'订单验证失败: {e}')
        raise
    except Exception as e:
        logging.error(f'订单创建异常: {e}', exc_info=True)
        raise

def save_to_db(user_id, items, total):
    # 模拟数据库保存
    logging.debug(f'保存订单到数据库: user={user_id}, total={total}')
    return 'ORD001'

# 测试
create_order(123, [{'price': 100, 'count': 2}])   # INFO 级别记录
create_order(123, [])                              # WARNING: 订单金额必须大于 0

生活化理解：订单系统像医院——INFO 是挂号记录，DEBUG 是化验单，WARNING 是"指标异常但可观察"，ERROR 是"需要立即处理"。

案例 2：数据处理管道调试

python

import logging

logging.basicConfig(level=logging.DEBUG)

def load_data(file_path):
    logging.info(f'加载数据文件: {file_path}')
    # 模拟加载
    data = [1, 2, 3, 4, 5]
    logging.debug(f'原始数据: {data}')
    return data

def clean_data(data):
    logging.info('清洗数据')
    cleaned = [x for x in data if x > 0]
    logging.debug(f'清洗后: {cleaned} (移除 {len(data) - len(cleaned)} 条)')
    return cleaned

def transform_data(data):
    logging.info('转换数据')
    result = [x * 2 for x in data]
    logging.debug(f'转换后: {result}')
    return result

def pipeline(file_path):
    data = load_data(file_path)
    cleaned = clean_data(data)
    result = transform_data(cleaned)
    logging.info(f'管道完成，最终数据: {result}')
    return result

# 运行
pipeline('data.csv')

输出：

INFO:root:加载数据文件: data.csv
DEBUG:root:原始数据: [1, 2, 3, 4, 5]
INFO:root:清洗数据
DEBUG:root:清洗后: [1, 2, 3, 4, 5] (移除 0 条)
INFO:root:转换数据
DEBUG:root:转换后: [2, 4, 6, 8, 10]
INFO:root:管道完成，最终数据: [2, 4, 6, 8, 10]

优势：生产环境设 level=INFO，只看关键节点；排查问题时设 DEBUG，看每一步细节——不用改代码，改配置就行。

十、实战练习

练习：用 assert 和 logging 调试函数

下面代码计算平均分，但有个 bug，用 assert 找出问题，并用 logging 记录关键变量：

python

def average(scores):
    total = sum(scores)
    count = len(scores)
    return total / count

# 测试
print(average([90, 80, 70]))      # 正常
print(average([]))                 # 这里会崩溃，找出原因并修复

参考答案

问题：空列表时 count = 0，total / 0 抛 ZeroDivisionError。

修复：

python

import logging

logging.basicConfig(level=logging.INFO)

def average(scores):
    logging.debug(f'输入分数: {scores}')

    count = len(scores)
    assert count > 0, '分数列表不能为空！'

    total = sum(scores)
    logging.debug(f'总分: {total}, 人数: {count}')

    result = total / count
    logging.info(f'平均分: {result:.2f}')
    return result

# 测试
print(average([90, 80, 70]))   # 正常
print(average([]))             # AssertionError: 分数列表不能为空！

输出：

INFO:root:平均分: 80.00
Traceback (most recent call last):
  ...
AssertionError: 分数列表不能为空！

十一、小结

print()：临时排查用，记得删——像创可贴，小伤用用；
assert：验证内部逻辑假设，-O 可关闭——像安检门，异常立刻拦截；
logging：生产环境首选，分级输出、可写文件、不用删——像健康档案，长期有效；
pdb / pdb.set_trace()：命令行单步调试，适合复杂逻辑——像电话问诊，精准但慢；
IDE 调试：图形界面，日常开发效率最高——像专家门诊，直观高效；
终极建议：logging 是调试的终极武器——开发时 DEBUG，上线时 INFO，排查时改配置，代码不动。

调试的本质是让程序"说话"——用合适的方式让程序告诉你"我哪里不舒服"，而不是瞎猜。

Python 调试：程序生病了怎么办？ ​

引言：从"瞎猜"到"精准诊断" ​

一、调试方法总览：五种"诊疗手段" ​

二、print()：简单粗暴的"土方法" ​

三、assert：关键节点的"安检门" ​

3.1 基本用法 ​

3.2 与 print() 对比 ​

3.3 关闭断言：-O 参数 ​

四、logging：程序的"健康档案" ​

4.1 基本配置 ​

4.2 级别控制 ​

4.3 输出到文件 ​

五、pdb：命令行"专家会诊" ​

5.1 全程序单步调试 ​

5.2 pdb.set_trace()：定点断点 ​

六、IDE 调试：图形化"专家门诊" ​

七、知识链条：从症状到确诊 ​

八、常见误区与避坑指南 ​

8.1 误区一：assert 用于数据验证 ​

8.2 误区二：logging 级别混乱 ​

8.3 误区三：生产环境用 print ​

8.4 误区四：pdb 调多线程/异步代码 ​

九、实际应用案例 ​

案例 1：电商订单状态追踪 ​

案例 2：数据处理管道调试 ​

十、实战练习 ​

练习：用 assert 和 logging 调试函数 ​

十一、小结 ​

Python 调试：程序生病了怎么办？

引言：从"瞎猜"到"精准诊断"

一、调试方法总览：五种"诊疗手段"

二、`print()`：简单粗暴的"土方法"

三、`assert`：关键节点的"安检门"

3.1 基本用法

3.2 与 `print()` 对比

3.3 关闭断言：`-O` 参数

四、`logging`：程序的"健康档案"

4.1 基本配置

4.2 级别控制

4.3 输出到文件

五、`pdb`：命令行"专家会诊"

5.1 全程序单步调试

5.2 `pdb.set_trace()`：定点断点

六、IDE 调试：图形化"专家门诊"

七、知识链条：从症状到确诊

八、常见误区与避坑指南

8.1 误区一：assert 用于数据验证

8.2 误区二：logging 级别混乱

8.3 误区三：生产环境用 print

8.4 误区四：pdb 调多线程/异步代码

九、实际应用案例

案例 1：电商订单状态追踪

案例 2：数据处理管道调试

十、实战练习

练习：用 assert 和 logging 调试函数

十一、小结