Python异常处理——捕获和处理程序中的错误

Python中异常捕获与日志记录的错误处理 Python允许你创建自己的异常类,继承自Exception或其子类。passtry:raise CustomError("这是一个自定义错误。")print(ce)在深入学习之前,我们已经触及了异常处理和日志记录的基础,现在让我们进一步探索,解锁更高级的实践技巧。除了使用默认的日志处理器,你还可以自定义日志处理逻辑,比如发送邮件通知。# 在这里添加发送邮件的逻辑print("模拟发送邮件:", log_entry) # 实际应用中替换为发送邮件的代码。 阅读详情

Python异常处理——捕获和处理程序中的错误

目录

Python异常处理——捕获和处理程序中的错误

1. 异常处理概述

2. 什么是异常?

3. 使用 try...except 捕获异常

4. 捕获多个异常

5. 使用 else 和 finally 块

5.1 else 块

5.2 finally 块

6. 自定义异常

7. 总结


1. 异常处理概述

在编程中,错误是不可避免的。当程序运行时遇到意料之外的情况或错误时,程序会引发异常。异常处理机制允许你优雅地处理这些错误,确保程序不会因错误而中断,就像在面对突发问题时冷静地采取行动,而不是让问题变得更糟。

2. 什么是异常?

异常是程序在运行过程中遇到的问题。它们可以是语法错误、逻辑错误,或是其他运行时错误。例如,当你尝试打开一个不存在的文件时,Python 会引发一个 FileNotFoundError 异常。

3. 使用 try...except 捕获异常

Python 提供了 try...except 语句来捕获和处理异常。try 块包含可能引发异常的代码,而 except 块包含处理异常的代码。

示例:

 

python

try:
    # 尝试执行的代码
    result = 10 / 0
except ZeroDivisionError:
    # 处理异常的代码
    print("不能除以零!")

在这个例子中,我们尝试将 10 除以 0,这会引发 ZeroDivisionError 异常。except 块捕获到这个异常,并输出一个错误消息。

4. 捕获多个异常

一个 try 块可以有多个 except 块,以捕获不同类型的异常。你可以根据具体的异常类型来处理不同的错误。

示例:

 

python

try:
    # 尝试执行的代码
    number = int(input("请输入一个整数: "))
    result = 10 / number
except ValueError:
    # 处理输入错误的代码
    print("输入的不是一个有效的整数。")
except ZeroDivisionError:
    # 处理除以零错误的代码
    print("不能除以零!")

python

在这个例子中,我们处理了两种可能的异常:ValueError(当用户输入的不是有效的整数时)和 ZeroDivisionError(当用户输入 0 时)。

5. 使用 else 和 finally 块

5.1 else 块

else 块在 try 块中的代码没有引发异常时执行。它通常用于在没有错误的情况下执行一些额外的操作。

示例:

 

python

try:
    # 尝试执行的代码
    number = int(input("请输入一个整数: "))
    result = 10 / number
except (ValueError, ZeroDivisionError) as e:
    # 处理异常的代码
    print("发生错误:", e)
else:
    # 没有异常时执行的代码
    print("计算结果:", result)

python

在这个例子中,如果没有引发异常,else 块将打印计算结果。

5.2 finally 块

finally 块中的代码无论是否引发异常都会执行。它通常用于清理资源,如关闭文件或释放锁。

示例:

 

python

try:
    # 尝试执行的代码
    file = open("example.txt", "r")
    content = file.read()
except FileNotFoundError:
    # 处理文件未找到的错误
    print("文件未找到。")
finally:
    # 无论是否发生异常,都关闭文件
    file.close()

python

在这个例子中,无论是否发生异常,finally 块都会关闭文件,确保资源得到释放。

6. 自定义异常

有时,你可能需要定义自己的异常类型来处理特定的错误情况。可以通过继承 Exception 类来创建自定义异常类。

示例:

 

python

class CustomError(Exception):
    def __init__(self, message):
        self.message = message

try:
    # 引发自定义异常
    raise CustomError("这是一个自定义错误消息。")
except CustomError as e:
    # 处理自定义异常
    print("发生了自定义异常:", e.message)

python

在这个例子中,我们定义了一个 CustomError 异常类,并在 try 块中引发它。except 块捕获到这个自定义异常,并打印错误消息。

7. 总结

在这篇文章中,我们介绍了 Python 的异常处理机制,包括如何使用 try...except 捕获和处理异常、使用 else 和 finally 块以及自定义异常。掌握异常处理可以帮助你编写更健壮、更可靠的代码,确保程序在面对错误时能够优雅地处理。接下来,我们将探索 Python 的面向对象编程(OOP)基础知识,了解如何使用类和对象构建复杂的程序。敬请期待下一篇文章!

python异常处理 # 到目前为止,我们已经写过很多代码了,在调试程序的时候,也遇到过很多次"错误"。当程序遇到"错误"的时候,就会停止运行。而"错误"常常防不胜防。如果不对它们进行处理,程序未免太不"健壮"了。为了增强程序的稳健性,必须对它们进行处理。 知识技能导图 # -------------------------------- 错误 ------------------------------------# # python中的"错误"可以分为两种: 阅读详情

相关推荐

python:异常处理

⑴和else子句不同,finally子句只要求和try搭配使用。至于该结构中是否包含except以及else,对于finally不是必须的⑵。

不怕猫的耗子A 2849

Python处理多个异常的三大方法

大部分Python初学者可能还不会处理多个异常,本文将向大家展示一下处理多个异常的三大方法。一种是把所有可能发生的一场都放在一个元组里,第二种是对每个单独的异常在单独的except语句块中处理,第三种方法会捕获所有异常。下面一起来看看具体的处理方法吧!

2201_75362610的博客 3888

DRM驱动代码分析:展频 跳频

DRM驱动代码分析:展频 跳频

yuuu_cheer的博客 2681

关于Python常见的几种异常捕获

今天看到许多小伙伴问了一些关于Python异常捕获怎么办的问题,决定把自己整理的关于Python异常捕获的教程分享给大家。希望这个教程能够对大家起到帮助,喜欢的可以点赞评论噢! 1.捕捉一个异常 捕捉一个异常 以用0作为除数会得到ZeroDivisionError异常为例, print(1/0) 为例程序的持续执行,不因该异常而中止, 遂对该异常进行处理,使异常时输出该异常内容: try: print(1/0) except ZeroDivisionError as e: pr

m0_67354902的博客 1万+

JMeter 压测实战全教程

脚本结构:测试计划 → 线程组 → HTTP 请求 → 监听器运行方式:图形化调试,命令行生产压测核心指标:QPS、RT、错误率、CPU、GC。

weixin_48309090的博客 653

Dify Rerank 模型配置全流程解析:从报错定位到代码实现

Dify Rerank 模型配置全流程解析:从报错定位到代码实现

engchina的专栏 4472

【Python】异常处理 ② ( 异常类型简介 | 捕获并处理指定异常 | 捕获多个类型异常 )

一、Python 捕获指定类型异常 1、异常类型简介 2、捕获并处理指定异常 3、代码实例 - 捕获并处理指定异常 4、代码实例 - 异常捕获失败案例 二、Python 捕获多个类型异常 1、捕获多个异常语法 2、代码实例 - 捕获多个异常

让 学习 成为一种 习惯 ( 韩曙亮 の 技术博客 ) 1959

【Simscape】用Simscape实现三维物理仿真(三)——创建一个滑块单摆系统

1 首先创建一个Simscape Multibody 模型 (方法见 【Simscape】用Simscape实现三维物理仿真(一)——创建一个自由落体小球) 2 创建四个Solid模块 (1)摆杆 Shape : Brick Dimensions : [0.1 0.05 1] m (2)摆杆轴 Shape : Cylinder Radius : 0.02 m Le...

ReadAir的专栏 9037

Python —— 捕获异常(try-except、raise)&日志模块(logguru)

一般是开发者控制不了的地方,例如:用户输入数据、用户传参、函数返回值调用,需要加上异常捕获。1、查看控制台的报错信息,报错信息会显示行号、点击文件可以跳到问题行。真实项目情况下,需要对不同的报错信息进行不同的处理:记录日志,警告,发送邮件等。try中的代码不报错,不会执行except中的语句。- 最后加上Exception 兜底。如果报错,会执行except中的代码。- 尽量去区分异常进行捕获,优先使用。机制不会因为报错影响后面的代码运行。1、先运行 try中的代码,

南夏一木子的博客 5001

SPSS与SPSS Modeler,不一样的世界

1. SPSS软件的前世今生 1.1 IBM SPSS的由来 与数据打过交道的小伙伴们,应该对SPSS软件都不陌生。SPSS是世界上最早的统计分析软件,由斯坦福大学的三个研究生大牛于1968年研发,同时还成立了SPSS公司。SPSS最初的全称是Solutions Statistical Package for the Social Sciences(社会科学统计软件包),随着SPSS产品服务领...

qq_24339451的博客 3613

【企业微信自建应用-前端篇】企业微信自建应用开发流程详细介绍

最近接到需求,需要我在企业微信端自建一个应用,用来接受PC端派发的工单,告警,公告等内容。这里写一个帖子汇总一下我经历的全流程开发,当然这是基础的流程啊。因为功能要求也不高。后面如果开发更多的东西再补充。

weixin_44265726的博客 9408

在 Python 中,错误和异常处理是非常重要的,因为它们可以帮助我们捕获和处理程序运行时可能出现的问题

1. **异常类型**:Python 提供了许多内置的异常类型,例如 `ValueError`、`TypeError`、`IndexError`、`KeyError` 等。`try` 块包含可能会引发异常的代码,而 `except` 块则包含处理这些异常的代码。3. **多个异常处理**:可以在一个 `except` 语句中处理多种类型的异常,或者在 `except` 语句后面添加多个子句来处理不同类型的异常。4. **else 语句**:`else` 语句在 `try` 语句块成功执行后执行。

博客域名:borter.blog.youkuaiyun.com 470

【WRF安装】WRF环境配置移植详细说明

【WRF安装】WRF环境配置移植详细说明

WW、forever的博客 820

python try except捕获所有异常_说说Python中的异常捕获?

公众号新增加了一个栏目,就是每天给大家解答一道Python常见的面试题,反正每天不贪多,一天一题,正好合适,只希望这个面试栏目,给那些正在准备面试的同学,提供一点点帮助!小猿会从最基础的面试题开始,每天一题。如果参考答案不够好,或者有错误的话,麻烦大家可以在留言区给出自己的意见和讨论,大家是要一起学习的 。废话不多说,开始今天的题目:问:说说Python中的异常捕获?答:每个程序,经常会...

weixin_39754142的博客 7541

RK3588 hdmirx 调试(含v4l2工具,edid编辑)

RK3588 Buildroot系统中调试HDMI-RX的过程,包括抓图、修改EDID数据、编辑EDID等操作。首先,通过logcat和寄存器信息查询HDMI-RX的状态,使用v4l2-ctl工具进行测试和修改EDID。

501846585_QQAndroid_java 2687

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

你是一个成熟的python了,要学会自己处理bug——python异常处理

相信很多同学写代码的时候都会被乱七八糟的程序报错所折磨,有的时候只出现了一个小错误就导致程序不能运行,然后下面跳出来一大堆的错误信息,看着就脑壳痛。如果是我们开发的应用程序像这样一出错程序就不能运行的话,你用的时候会舒服吗?但是错误又是不可避免的,任何程序都会有bug。如果能有一种机制,程序出了错他还能接着运行,然后会告诉开发者哪里出了错的话是不是很nice!这就是Python中的异常处理机...

the best messi的博客 741

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

Python-错误和异常总结(内置异常、assert、抛出异常、异常捕获与处理)

简介 如果你编写过C++程序,相信你应该有过被“烫烫烫”、“屯屯屯”支配的恐惧。作为程序员,我们每天就是在写代码bug,然后改bug。通过本文你可以看懂自己程序发生的错误或异常,如何自己定义异常,如何处理/避免异常。你需要注意是什么引起了某个异常,在编程时进行避免或处理。 语法错误-SyntaxError 语法错误又称解析错误,语法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。 >>> while True File "<stdin>",.

关注网络安全、云原生安全 7508

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")

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

Python 异常处理:try、except、else 和 finally 的使用指南

为了方便其他设备和平台的小伙伴观看往期文章:公众号搜索,或者扫描下方二维码,关注公众号,即可获取最新文章。看完如果觉得有帮助,欢迎和关注。

小万哥的博客 6748

python异常处理全集

目录1. 什么是异常?2.捕获异常(1)捕获异常(2)捕获多个异常(3)捕获全部异常3.异常中的finally4.异常传递5.raise抛出异常 1. 什么是异常? 1.作为一个程序员,可能遇到最多的就是BUG,错误,经常主要由于代码问题,网络问题,数据问题等原因引起程序运行错误,导致程序奔溃的情况发生,我们在开发过程中,我们能够提前针对有可能发生的异常进行预处理,做到防患于未然,降低了程序奔溃的风险,我就给大家写一下全部地异常问题。我们先看一些异常地标志: 异常处理的标志如上图所示。所以我们就害怕出现异

qq_44176343的博客 570

【python教程】之try--except异常捕获

异常简介 什么是异常?异常就是“不正常”。 我们的程序的执行过程中发生了一个不正常的事件,这个事件影响了程序的正常运行,此时就是发生了程序异常,我们在编写代码80%的时间在修改bug(异常),可见代码的bug(异常)是非常重要的,python中有哪些异常呢,如何通过程序的报错来找到有异常的代码。 捕获异常 try…except try: #写一个 try 把可能出错的代码放进去。 代码段 except Exception as e:#写一个 except 获取到异常时的处理 # 书写捕获异

flyskymood的博客 4万+

Python异常处理

Python异常处理 >>>思维导图>>>中二青年 什么是异常处理? 程序在运行过程中出现了不可预知的错误 并且该错误没有对应的处理机制,那么就会以异常的形式表现出来 造成的影响就是整个程序无法正常运行 异常的结构 1.异常的类型:NAMEERROR 2.异常的信息:name 'abc' is not defined 3.异常...

weixin_30802171的博客 142

Python异常处理:让你的代码更稳健的魔法

在Python中,异常是指在程序运行过程中发生的错误。异常处理就是通过特定的语法来捕获和处理这些错误,以确保程序能够继续运行或优雅地退出。简单来说,异常处理就像是给你的代码装上了一层保护罩,让它在遇到问题时不会崩溃。

yfmsx的博客 1029

python中的异常

异常处理就是处理程序中的错误。谓错误是指在程序运行的过程中发生的一些异常事件(如:除0溢出,数组下标越界,所要读取的文件不存在等等)。   在python中提供专门用于处理程序中错误的一种机制,异常机制,异常不可以忽略,可以跨函数,在实际开发中要比返回值的方式更加有优势。   异常语法 语法格式如下: try: #可能会抛出异常的代码段 except 异常类型

采菊东篱下,Python满乾坤! 825

Python中的异常处理机制

expression: 表达式,一般是判断相等,或者判断是某种数据类型的bool判断的语句。在Python2.5之前的版本,finally需要独立使用,不可以和try配合,之后才演变成现在的模式。程序中出现的错误,但有没有通过异常去捕获,以至于直接抛出,导致程序的崩溃。当except代码块有多个的时候,当捕获到第一个后,不会继续往下捕获。能监控并捕获到异常,将异常部位的程序进行修理使得程序继续正常运行。无法确定是哪种异常的情况下使用的捕获方法。确定是哪种异常的情况下使用的捕获方法。

run_in_road的博客 772

python基础篇(8):异常处理

有时标准异常不足以描述特定的错误情况,可以通过创建自定义异常类来定义新的异常类型"""自定义异常类"""# 使用自定义异常try:print(ce)

u013938578的博客 954

python在运行调试程序时常出现的错误有_Python 异常处理 及 程序调试

异常处理在编程过程中为了增加友好性,在程序出现bug时一般不会将错误信息显示给用户,而是现实一个提示的页面异常种类python中的异常种类非常多,每个异常专门用于处理某一项异常!!!AttributeError 试图访问一个对象没有的树形,比如foo.x,但是foo没有属性xIOError 输入/输出异常;基本上是无法打开文件ImportError 无法引入模块或包;基本上是路径问题或名称错误In...

weixin_39920338的博客 427
上一篇: Python文件操作——如何读取和写入文件
下一篇: Python面向对象编程——类与对象的基础入门
HYP_Coder
博客等级 码龄2年 1701粉丝 103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