Python开发经验

先说环境管理。刚开始学Python那会儿，直接在系统环境里pip install，后来项目一多直接乱套。有次给甲方演示，本地跑得好好的代码到现场直接报依赖冲突，场面那叫一个尴尬。现在我的做法是每个项目必用venv隔离，搭配pip-tools固化依赖版本。特别是那个requirements.txt，一定要分开发版和生产版，基础镜像用alpine能省不少事。别嫌麻烦，等你遇到numpy版本不兼容导致整个模型训练崩掉的时候，就明白这步多重要了。

代码风格这块，PEP8是底线但不是圣经。见过有人为了遵守79字符限制把逻辑拆得支离破碎，这就本末倒置了。我的原则是：团队统一大于机械遵守。比如用Black做自动格式化，isort规范导入顺序，再配上pre-commit钩子，这些工具链比单纯强调规范有用得多。特别要说类型提示，从PyCharm到VSCode现在都对Type Hints支持得越来越好，不仅能提前发现参数类型错误，配合mypy还能在CI阶段拦住不少低级bug。

调试技巧方面，print()大法好但真不够用。去年排查一个异步任务卡死的问题，最后靠py-spy生成火焰图才发现是某个第三方库抢占了事件循环。现在我的调试装备库：pdb用于交互调试，logging记录结构化日志，sentry抓生产环境异常，再加上line_profiler和memory_profiler做性能分析。记住，永远要在生产环境留后路——比如在Docker容器里预装pyrasite，关键时刻能救命。

项目结构设计吃过亏。早期项目把所有东西都塞在单个模块里，到后期改个函数都得担心会不会牵一发而动全身。现在坚持用src布局，把业务逻辑拆分成data/,api/,utils/等子包，init.py里精心设计导入关系。测试一定要跟着模块走，tests目录复制主工程结构，这样跑pytest时才能快速定位问题。

性能优化要找准痛点。曾经花两天用Cython重写核心算法，结果用cProfile一分析，瓶颈其实在IO操作。后来学聪明了，先做性能 profiling再动手。GIL也没那么可怕，多进程处理CPU密集型，异步IO处理高并发，实在不行再用multiprocessing.dummy折中。最近发现用__slots__能显著减少内存占用，特别适合需要创建大量实例的场景。

第三方库选择要慎重。有次为了个冷门功能引入某个star数很少的库，结果作者半年不更新，Python3.11直接不兼容。现在选型原则：优先选择API稳定、维护活跃的库，比如requests这种经过时间检验的。对于新出现的库，至少观察3个月再考虑引入生产环境。

部署环节的坑最多。曾经在Dockerfile里偷懒没用.dockerignore，把几十MB的日志文件打进了镜像。现在坚持多阶段构建，用非root用户运行进程，设置合理的健康检查。对于Web服务，还会用gunicorn配gevent worker，nginx做反向代理，supervisor管理进程——这套组合拳经过多个线上项目验证，稳得很。

最后说点虚的：保持学习比死守某个版本更重要。从async/await到结构模式匹配，每个大版本发布都要及时跟进。但别盲目追新，我们有个项目坚持用Python3.8直到3.9的第三个补丁版发布才升级。在激进和保守之间找到平衡，这才是资深开发的修养。

编程终究是门手艺活，别人的经验看得再多，不如自己亲手踩几个坑来得实在。共勉。