关于Python中的错误与异常,你是否了解的够仔细?

【Python】错误和异常 在任何编程语言中,错误处理都是构建健壮、可靠应用程序的基石。Python 提供了一套强大而灵活的异常处理机制。但在深入这些机制之前,我们必须清晰地理解什么是错误,什么是异常,以及它们在Python世界中的具体含义和分类。虽然在日常交流中,“错误”和“异常”这两个词经常互换使用,但在编程的上下文中,特别是Python中,它们既有联系也有细微但重要的区别。语法错误,也称为解析错误 (Parsing Errors),是Python解释器在解析代码(即读取并理解你的代码结构)的阶段发现的问题。这些错误意味着你的代码 阅读详情
一碗凌晨的泡面
5847426-e48483e6599554d2.gif
无可奈何

大家是否觉得,很多时候公司开会不过是将以往发生过的问题,进行再一次重复,而非是从根源上解决问题。可不幸的是,却有那么多人喜欢有事儿没事儿的拉着一起开会。今晚回家12点半了,只是一堆人坐在一起开着似曾相识的版本回顾会议。而天真的我还以为一会儿就可以结束,最终成了现在边码字边闻着泡面味道的结局。


5847426-431607461c249119.png
孤单的泡面

每次版本结束都描述这同样的错误,相似的问题,但始终没见解决。所以今天,我就来总结下Python的错误与异常!

异常与错误
错误
  • 语法错误

可以通过IDE或者解释器给出提示的错误

opentxt('a.jpg','r')

  • 逻辑错误

语法层面没有问题,但是自己代码的逻辑有问题

if age>18: print('未成年')

异常

多指在程序执行过程中,出现的未知错误,语法和逻辑本身是正确的。可以通过代码进行处理或修复

异常分类
  • 除零异常(ZeroDivisionError):

1/0

  • 名称异常(NameError):

if age>5,age未定义

  • 类型异常(TypeError):

1+'abc'

  • 索引异常(IndexError):

a=[1,2,3] a[4]

  • 键异常(KeyError):

a={'a':1,'b':2} a['c']

  • 值异常(ValueError)

int('abcd')

  • 属性异常(AttributeError)

name='Dracular' print(name.age)

  • 迭代器异常(StopIteration)

a=iter([1,2]) print(next(a)) print(next(a)) print(next(a))

  • 系统异常类继承树(BaseException所有内建的异常基类)

    • SystemExit

    由sys.exit(0函数引发,当他不处理时,python解释器退出)

    • KeyboardInterrupt

    当用户中断操作引发(ctrl +c)

    • GeneratorExit

    当调用一种generator的close()方法引发

    • Exception

    所有内置的、非系统退出异常是从该类派生的,因为该类派生所有用户定义的异常

异常处理格式
# python 的完整异常处理格式,原谅我蹩脚的英语注释,哈哈...
# python 2 中except exception_type, error
# python 3 中except exception_type as error
try:
    do something
except exception_type1:
    when get exception_type1 error
except exception_type2:
    when get exception_type2 error
except exception_typen:
    when get exception_type2 error
else:
    if not get error,into here
finally:
    always execute it ...
多种异常捕获

刚才介绍了很多异常的分类,也看到了异常处理的格式,那么针对多种异常如何更简洁的捕获呢?

  • 将多个异常通过元组归类到一起

    except (ZeroDivisionError,NameError) as error:

  • 使用Exception这个基类全部捕获

    except Exception as errorinfo:

使用with处理异常

用于执行一段代码前,进行预处理,执行完成这段代码后,进行清理操作
with content_expression[as target(s)]: withbody
大家用到最多的莫过于在读写文件时,使用with open

with open('a.txt','a') as file :
    file.write('first line...')

为什么说他是一个上下文处理器呢?
首先咱们在文件读写的时候主要分三个步骤:

  1. 打开文件
  2. 操作文件的内容
  3. 关闭文件

正常情况下,我们使用的方式为:

f=open('a.txt', 'a')
f.write('first line...')
f.close()

那么如果我们在操作文件的时候,出现了异常导致系统退出,就无法正常的关闭文件
但使用with的上下文管理器,就可以达到异常退出时的清理操作!
可是没有论证,空口在这里吹逼不太好啊,举个例子来验证with自带的异常清理。
先看下这段代码:

import os
try:
    f=open('a.txt', 'a+')
    f.write('first line...')
    raise ValueError
except:
    os.rename('a.txt','b.txt')
f.close()

output:
PermissionError: [WinError 32] 另一个程序正在使用此文件,进程无法访问。: 'a.txt' -> 'b.txt'

我们在写文件的时候,手动出发一个异常,然后在except捕获异常后,去重命名该文件。
然后由于没有正常的关闭,此时你去重命名会给出文件正在占用的提示
那同样的方式,我们使用with操作看看效果:

import os
try:
    with open('a.txt', 'a+') as file:
        file.write('first line...')
        raise ValueError
except:
    os.rename('a.txt','b.txt')

此时正常执行完成,程序没有抛出异常,为什么?因为在上下文处理器中,with捕获异常后,自动的执行了文件的关闭操作,溜不溜?

上下文管理器原理

所谓上下文管理器的原理,其实就是以下三点

  1. 调用enter 方法,进行预处理操作
  2. 执行用户操作
  3. 调用exit方法,完成清理操作

知道了原理,让我们通过自己编写的上下文管理器,重构一下open的方法,让它装逼即耀眼又安全吧

import os
# 自定义一个上下文管理器
class zhuang13_open:
    def __init__(self, file, mode):
        self.file = file
        self.mode = mode

    def __enter__(self):
        print('启动装13模式,打开文件-->%s' % self.file)
        self.file = open(self.file, mode=self.mode)
        return self.file

    def __exit__(self, exc_type, exc_val, exc_tb):
        print('乱花从中过,片叶不沾身\n装完13,记得擦屁股啊')
        self.file.close()

# 依旧测试下在异常的情况下是否可以正常关闭文件
try:
    with zhuang13_open('a.txt', 'a+') as file:
        file.write('first line...')
        raise ValueError
except:
    os.rename('a.txt', 'b.txt')

完美结束....

了解下刚才的__exit__

刚才看到在定义__exit__方法时,自带了三个参数exc_type, exc_val, exc_tb
这是什么呢?分别为:异常类别,异常值,追踪信息,怎么看他的值呢?
把上面代码中raise ValueError改为1/0
在__exit__方法中加入print(exc_type, exc_val, exc_tb)
得到如下结果:

<class 'ZeroDivisionError'> division by zero <traceback object at 0x00000000032BADC8>
大家会问到追踪信息是什么呢?其实大家天天见....当你代码错误了,提示哪一行有问题的时候,这个帮你定位的东西,就是追踪信息。
想看到追踪信息需要引入一个模块,traceback
继续在__exit__中添加这两行信息

import traceback
print(traceback.extract_tb(exc_tb))

output:

[('E:/Python/xxxx/b.py', 21, '<module>', 'raise ValueError')]
上面个list什么意思呢? 错误的文件,错误的行号,文件类型,错误的语句

是不是吊炸天?好了今天就学到这里,碎觉.....

The End

OK,今天的内容就到这里,如果觉得内容对你有所帮助,欢迎点击文章右下角的“在看”。
期待你关注我的公众号清风Python,如果觉得不错,希望能动动手指转发给你身边的朋友们。
希望每周一至五清晨的7点10分,都能让清风Python的知识文章叫醒大家!谢谢……

5847426-dc4eb99770e00ca1
清风Python

了解python的错误与异常 其中,Exception是最常见的异常类,包括了很多其他的具体异常,例如ArithmeticError、ImportError、TypeError等。在程序开发和测试阶段使用assert语句可以帮助我们快速发现程序中的问题,但在生产环境中使用时需要慎重考虑,因为assert语句可能会影响程序的性能和稳定性。断言(Assert)是一种常用的调试工具,它用于对程序运行时的某些条件进行检查,并捕获由于不符合预期条件而导致程序崩溃或出现错误的情况。与异常不同的是,错误通常会导致程序崩溃或无法执行。 阅读详情

相关推荐

《生成式AI引发的“认知污染”:社交媒体虚假信息的治理困局》

认知污染与生成式AI“认知污染”指信息环境被大量虚假、误导性内容所充斥,干扰公众对事实的认知判断。在社交媒体时代,虚假信息的生产和传播门槛大幅降低,呈现出工业化、规模化的趋势。近年兴起的生成式人工智能(Generative AI)技术,如大型语言模型(LLM)和深度伪造(deepfake),更是加剧了这一问题。AI可以自动生成看似真实的文本、图像、音视频,将虚假信息批量生产并快速散播到社交平台上。

那谁的博客 5913

python异常处理与上下文管理器

python异常处理 异常与错误 错误 语法错误 可以通过IDE或者解释器给出提示的错误 opentxt('a.jpg','r') 逻辑错误 语法层面没有问题,但是自己代码的逻辑有问题 if age>18: print('未成年') 异常 多指在程序执行过程中,出现的未知错误,语法和逻辑本身是正确的。可以通过代码进行处理或修复 异常分类 除零...

清风Python 298

【Sentaurus TCAD仿真】几种基础操作

当内存不足时,没必要删除整个Project,只需要 Clean up 节点信息即可。因为占用内存的主要部分是。文件数据,Command文件是不占用多少内存的,下次需要此工程仿真结果重新运行即可。右击可以对该工程进行剪切、复制、删除、重命名等操作。当节点号有时候排序混乱的时候,我们需要重新编排节点号。此时左侧工具栏就能看见我们新建的这个工程。运行节点时不同的颜色代表目前的状态。在这个地方添加要使用的工具。这个时候需要的工具就建好了。然后选择需要使用的工具。我们需要保存这个工程。

qq_45746744的博客 1万+

Python学习笔记——异常处理(try/except、except...as、处理上下文管理器的__exit__异常、自定义异常)

异常类型 Python内置异常 解释器采用一个层次结构组织异常 所有内置异常(也包括自定义异常)都继承了一个名为Exception的类 BaseException +-- SystemExit +-- KeyboardInterrupt +-- GeneratorExit +-- Exception +-- StopIteration +-- StopAsyncIteration +-- ArithmeticError | +-- Floatin

Insomnia_X的博客 2327

卸载Office 16 Click-to-Run Extensibility Component详细步骤

卸载Office 16 Click-to-Run Extensibility Component详细步骤 第一步:按住键盘上的“Win+R”,打开运行窗口 在运行窗口输入“Installer”回车,打开Installer文件夹 第二步:在Installer文件夹红框最右侧,即“大小”后面,右击选择“其他”,找到“主题”,勾选,点击“确定”,添加主题列成功 第三步:在“主题”列找到“Office 16 Click-to-Run Extensibility Component

M_try的博客 3万+

手机拍照也能玩高光谱?教你用TensorFlow Lite在Android上实现实时RGB转高光谱

本文介绍了如何利用TensorFlow Lite在Android设备上实现实时RGB到高光谱的图像重构技术。通过深度学习模型优化和移动端部署策略,使智能手机具备专业级光谱分析能力,适用于农业检测、化妆品分析等多个领域。

weixin_29091105的博客 247

python异常和错误的区别_python的错误和异常怎么区别

python异常和错误有什么区别1. 错误从软件方面来说,错误是语法或是逻辑上的。语法错误指示软件的结构上有错误,导致不能被解释器解释或编译器无法编译。这些错误必须在程序执行前纠正。当程序的语法正确后,剩下的就是逻辑错误了。逻辑错误可能是由于不完整或是不合法的输入所致;在其他情况下,还可能是逻辑无法生成,计算,或是输出结果需要的过程无法执行。这些错误通常分别被称为域错误和范围错误。当 Python...

weixin_39548740的博客 718

STC32G电调调试血泪史:从TPH1R403NL MOS管烧毁到PWM信号异常排查全记录

本文详细记录了STC32G无刷电调调试过程中的常见问题与解决方案,包括MOS管烧毁、PWM信号异常等关键故障排查。通过电源系统检测、驱动电路验证及三相平衡调试等实战经验,帮助硬件爱好者快速定位问题,提升电调调试效率。特别针对TPH1R403NL等MOS管的保护措施进行了重点分析。

weixin_33736048的博客 551

python中异常和错误是同一个概念吗_一文搞懂Python错误和异常

写Python代码的小伙伴不可避免地会遇到代码执行错误和异常,这次就来详细且不失通俗地总结一下python中的错误和异常。先抛出两个问题:什么是Python错误和异常?如何处理Python错误和异常?1、语法错误语法错误可能是初学者最常遇到的,如下面熟悉的画面:SyntaxError:invalidsyntax语法错误又称解析错误,又有老哥会问什么是解析错误?简单来说是基本语法结构写错了,如:...

weixin_34539480的博客 1623

vue3:html2canvas+jspdf将页面以A4导出为PDF文件,解决内容截断+在分页处截断问题详细排查和解决教程(jsPDF + html2canvas A4分页截断、内容分页时存在截断)

html2canvas + jsPDF 解决内容截断问题,vue3 jspdf-html2canvas生成多页pdf防截断处理(包含代码),vue3解决html2canvas + jsPDF导出pdf分页内容截断问题,jsPDF + html2canvas A4分页截断 完美解决方案(含代码 + 案例),html页面导出pdf截断问题,html2canvas 与 jspdf 相结合生成 pdf 内容被截断的终极解决方案,提供html2canvas+jsPDF将HTML页面以A4纸方式导出为PDF后,内容分页

✅ 精选推荐文章 2245

ios开发拒绝“玄学”Crash:从循环引用到脏内存,构建你的系统性排查思维模型

你申请了内存,写了数据,这块内存就是脏的。系统无法直接回收它,除非你显式释放,或者系统把它 swap 出去(但在 iOS 上,Compressed Memory 机制虽然能压缩,但不会像桌面系统那样频繁 swap 到磁盘,一旦压缩内存也撑不住,你也得挂)。所以,排查 OOM 的核心心法只有一条:不要问“哪里漏了”,要问“每一刻,留在这个页面上的内存,凭什么必须在这里?一旦内存水位线逼近阈值(不同机型不同,老机器可能 600MB 就危,新机器能抗 1.5GB),系统发个警告。

大模型大数据攻城狮的专栏 724

让你瞬间搞懂Python 错误与异常

Python中有两种错误:语法错误(SyntaxError)和异常。 assert(断言)用于判断一个表达式,在表达式条件为false时触发异常。 Python中的异常类型 异常处理 一个 try 语句可能包含多个except子句,分别来处理不同的特定的异常。最多只有一个分支会被执行。 处理程序将只针对对应的 try 子句中的异常进行处理,而不是其他的 try 的处理程序中的异常。 一个ex...

柒殇aq的博客 1130

由于找不到mfc110u.dll,无法继续执行代码,重新安装程序可能会解决此问题的 解决方案

本文主要介绍了由于找不到mfc110.dll,无法继续执行代码的解决方案,希望能对使用Windows的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案

weixin_43178406的博客 5万+

【Python 基础教程】错误与异常的处理

分享一些在学习Python异常处理的时候的学习笔记。对常见的程序错误做出了总结,对异常处理机制的语法进行了总结。包括异常的捕获与处理,自定义异常类,断言处理。

一个非常Cool的人 3598

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

Python中的错误和异常

戳蓝字“软件测试test”关注我们哦!错误是程序中的问题,由于这些问题而导致程序停止执行。另一方面,当某些内部事件发生时,会引发异常,从而改变程序的正常流程。python中会发生两种类型...

qqqqqkmbnjjhb的专栏 1万+

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Python 基础(十四): 错误和异常

错误与异常有什么区别?

Python小二 6674

Python的错误和异常,异常的处理

该篇讲述如何正确理解和有效处理错误与异常

qq_52758588的博客 1772

错误与异常

清理行为在实际应用中有众多重要场景,以下列举几个常见的:文件和资源管理:当处理文件读写时,完成操作后关闭文件句柄,释放系统资源。类似地,对于数据库连接、网络套接字等资源,使用完毕后及时关闭和释放,以提高资源利用率和避免资源泄漏。内存管理:在动态分配内存(如使用malloc或类似机制)后,如果不再使用,及时释放内存,防止内存泄漏导致程序性能下降甚至崩溃。临时数据清理:程序运行过程中产生的临时文件、缓存数据等,在不再需要时删除,节省存储空间。

weixin_60256922的博客 1851

python中的错误和异常

程序可以通过创建新的异常类命名自己的异常(Python 类的内容详见类不论是以直接还是间接的方式,异常都应从Exception类派生。异常类可以被定义成能做其他类所能做的任何事,但通常应当保持简单,它往往只提供一些属性,允许相应的异常处理程序提取有关错误的信息。大多数异常命名都以 “Error” 结尾,类似标准异常的命名。许多标准模块定义了自己的异常,以报告他们定义的函数中可能出现的错误。try语句还有一个可选子句,用于定义在所有情况下都必须要执行的清理操作。例如:>>>>>> try:')

无极低码 1339

Python的错误和异常

python的错误和异常

一个想交朋友的陌生人 1470

Python中的用户定义异常与NZEC错误

前提条件-本文是对异常处理的扩展。当代码出错时,Python会引发错误和异常,这可能导致程序突然停止。Python还通过try-except提供了异常处理方法。一些最常见的标准异常包括...

qqqqqkmbnjjhb的专栏 1万+

python 抛出异常_异常,Python 中错误的处理方式

开发人员在编写程序时,难免会遇到错误,有的是编写人员疏忽造成的语法错误,有的是程序内部隐含逻辑问题造成的数据错误,还有的是程序运行时与系统的规则冲突造成的系统错误,等等。总的来说,编写程序时遇到的错误可大致分为 2 类,分别为语法错误和运行时错误。语法错误,也就是解析代码时出现的错误。当代码不符合 Python 语法规则时,Python解释器在解析时就会报出 SyntaxError 语法错误,与此...

weixin_39876595的博客 1万+

Python中的错误和异常处理

在 Python 中,错误通常分为两种类型:语法错误(Syntax Error)和运行时错误(Runtime Error)。也称为解析错误,是由于代码不符合 Python 语法规则而引起的错误,在程序运行之前就会被检测到,并提示错误的位置和原因。# 语法错误示例也称为异常(Exception),是在程序运行过程中由于特定条件引发的错误,导致程序无法继续执行。# 运行时错误示例x = 10 / 0在处理异常时,有时候需要将异常链传递下去,以便更好地理解异常的来源和上下文。

weixin_55100524的博客 1331
上一篇: Python日志模块学习,从这里开始...
下一篇: 装13失败后,我决定使用Python为生僻字批量注音
清风Python
博客等级 码龄7年 406粉丝 267原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值