python系列&AI系列【仅供参考】：【百度PaddleOCR踩坑】报错：RecursionError: maximum recursion depth exceeded while callin

原创 于 2025-12-01 14:54:06 发布 · 827 阅读 · 14 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#python #人工智能 #百度

【百度PaddleOCR踩坑】报错：RecursionError: maximum recursion depth exceeded while calling a Python object



【百度PaddleOCR踩坑】报错：RecursionError: maximum recursion depth exceeded while calling a Python object

摘要

在使用PaddleOCR训练方向识别模型时遇到RecursionError和内存溢出问题。错误源于标签文本中的字符导致ClsLabelEncode无法匹配，进而引发无限递归。解决方案是替换掉，问题根源在于以rb模式读取txt文件引入`。训练检测和识别模型未…

报错事件发生经过

在训练百度PaddleOCR开发套件的方向识别模型时候踩了一个小坑，通过分析找到问题，文本记录了分析过程，需要解决问题的可以直接看3.1。

1.下载PaddleOCR开发套件。

首先按照Github中PaddleOCR官方文档关于文字方向识别的文档进行准备工作及参数配置。

2.准备数据。

项目中需要识别图片的角度（0、90、180、270度），故准备了数张方向全为0度的图片，通过Pillow库进行随机反转，代码如下：

r = [Image.ROTATE_90, Image.ROTATE_180, Image.ROTATE_270]
degs = ['90', '180', '270']
for fn in tqdm(os.listdir('photo')):
    im = Image.open('photo/'+fn).convert('RGB')
    i = random.randint(0, 3)
    if i > 2:
        im.save('photo_rand_rot/'+fn)
        with open('label.txt', 'a') as f:
            f.write('{}\t{}\n'.format(fn, '0'))
    else:
        im = im.transpose(r[i])
        im.save('photo_rand_rot/'+fn)
        with open('label.txt', 'a') as f:
            f.write('{}\t{}\n'.format(fn, degs[i]))

3.配置YAML文件并运行。 运行命令如下：

python tools/train.py -c .\configs\cls\cls_mv3.yml

在加载数据步骤时，提示报错：RecursionError: maximum recursion depth exceeded while calling a Python object

[2022/08/07 23:38:59] ppocr INFO: train dataloader has 234 iters
[2022/08/07 23:38:59] ppocr INFO: valid dataloader has 19 iters
[2022/08/07 23:38:59] ppocr INFO: During the training process, after the 0th iteration, an evaluation is run every 400 iterations
Exception in thread Thread-3:
Traceback (most recent call last):
  File "D:\XXX\cls\PaddleOCR-release-2.5\ppocr\data\simple_dataset.py", line 138, in __getitem__
    data['image'] = img
RecursionError: maximum recursion depth exceeded while calling a Python object

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
  File "C:\Users\zhy\anaconda3\lib\threading.py", line 973, in _bootstrap_inner
  File "C:\Users\zhy\anaconda3\lib\threading.py", line 910, in run
    self._target(*self._args, **self._kwargs)
  File "C:\Users\zhy\anaconda3\lib\site-packages\paddle\fluid\dataloader\dataloader_iter.py", line 217, in _thread_loop
    batch = self._dataset_fetcher.fetch(indices,
  File "C:\Users\zhy\anaconda3\lib\site-packages\paddle\fluid\dataloader\fetcher.py", line 121, in fetch
    data.append(self.dataset[idx])
  File "D:\XXX\cls\PaddleOCR-release-2.5\ppocr\data\simple_dataset.py", line 150, in __getitem__
    return self.__getitem__(rnd_idx)
  File "D:\XXX\cls\PaddleOCR-release-2.5\ppocr\data\simple_dataset.py", line 150, in __getitem__
    return self.__getitem__(rnd_idx)
  File "D:\XXX\cls\PaddleOCR-release-2.5\ppocr\data\simple_dataset.py", line 150, in __getitem__
    return self.__getitem__(rnd_idx)
  [Previous line repeated 987 more times]
  File "D:\XXX\cls\PaddleOCR-release-2.5\ppocr\data\simple_dataset.py", line 144, in __getitem__
    data_line, traceback.format_exc()))
  File "C:\Users\zhy\anaconda3\lib\traceback.py", line 167, in format_exc
    return "".join(format_exception(*sys.exc_info(), limit=limit, chain=chain))
  File "C:\Users\zhy\anaconda3\lib\traceback.py", line 120, in format_exception
    return list(TracebackException(
  File "C:\Users\zhy\anaconda3\lib\traceback.py", line 476, in __init__
    _seen.add(id(exc_value))
RecursionError: maximum recursion depth exceeded while calling a Python object

查找问题

1.经常解决递归达到最大问题。

直观的问题在于报错信息：maximum recursion depth exceeded，也就是字面意思，递归达到最深，这个问题百度上有很多解决方案，大致的意思相同：Python默认的最大递归深度是1000，通过下面的方式可以设置最大递归深度。
打开PaddleOCR下的ppocr\data\simple_dataset.py，头部增加：

import sys
sys.setrecursionlimit(3000) #设置递归深度

暂时设置为3000，问题依然存在，考虑项目数据共计12w张图像（压缩后22GB大小），将深度调整为一个巨大的数，10000000，但在程序在本地PC上因内存溢出直接崩溃，本地Windows PC的RAM为48G，理论来说即便所有数据放在内存中也是足够的，抱着试一试的心态，尝试在服务器上使用128G内存依然溢出崩溃，附一个Linux上的报错信息：

[2022/08/08 00:46:45] ppocr INFO: During the training process, after the 0th iteration, an evaluation is run every 400 iterations
Traceback (most recent call last):
  File "tools/train.py", line 188, in <module>
Exception in thread Thread-1:
Traceback (most recent call last):
  File "/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/fluid/dataloader/dataloader_iter.py", line 620, in _get_data
    data = self._data_queue.get(timeout=self._timeout)
  File "/opt/conda/envs/python35-paddle120-env/lib/python3.7/multiprocessing/queues.py", line 105, in get
    raise Empty
_queue.Empty

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
  File "/opt/conda/envs/python35-paddle120-env/lib/python3.7/threading.py", line 926, in _bootstrap_inner
    self.run()
  File "/opt/conda/envs/python35-paddle120-env/lib/python3.7/threading.py", line 870, in run
    self._target(*self._args, **self._kwargs)
  File "/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/fluid/dataloader/dataloader_iter.py", line 534, in _thread_loop
    batch = self._get_data()
  File "/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/fluid/dataloader/dataloader_iter.py", line 636, in _get_data
    "pids: {}".format(len(failed_workers), pids))
RuntimeError: DataLoader 1 workers exit unexpectedly, pids: 5503

    main(config, device, logger, vdl_writer)
  File "tools/train.py", line 163, in main
    eval_class, pre_best_model_dict, logger, vdl_writer, scaler)
  File "/home/aistudio/PaddleOCR/tools/program.py", line 238, in train
    for idx, batch in enumerate(train_dataloader):
  File "/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/fluid/dataloader/dataloader_iter.py", line 746, in __next__
    data = self._reader.read_next_var_list()
SystemError: (Fatal) Blocking queue is killed because the data reader raises an exception.
  [Hint: Expected killed_ != true, but received killed_:1 == true:1.] (at /paddle/paddle/fluid/operators/reader/blocking_queue.h:166)

2.对PaddleOCR相关源码进行分析。

已知问题出在某处递归上，初步分析，可能是源码中的某处代码或者错误触发了死循环，导致不停的调用“自己”导致内存溢出，根据错误信息，问题出现在ppocr\data\simple_dataset.py下的特殊方法__getitem__中，分析该方法的代码，果然发现了一处递归。

在这里插入图片描述

try…except…中是根据txt文件对每个图片数据进行处理的代码，若一切无误则返回一个outs字典，若捕捉到错误则outs为None，且outs为None时，会随机拿一个数据补上这个数据，若随机拿的数据一直是错误，这个递归就会陷入死循环，以抵达最大深度或内存溢出结束。

通过追踪data变量可以发现，发现错误出现在标注文本中，原本的0、90、180、270都莫名其妙的多了一个\r，导致ops中的ClsLabelEncode无法进行检索，ClsLabelEncode代码在ppocr\data\imaug\label_ops.py的ClsLabelEncode类中，无法检索到则返回None，导致所有的图片的类型都匹配失败。

在这里插入图片描述

解决问题

1.解决方案

如果你的标签里没有\r，你又不想动数据，则直接简单粗暴的把\r替换为空。代码在ppocr\data\simple_dataset.py的130行：

data = {'img_path': img_path, 'label': label} # 修改前
data = {'img_path': img_path, 'label': label.replace('\r', '')} # 修改后

2.\r哪里来的，为什么会这样呢？

源码中，ppocr\data\simple_dataset.py下的get_image_info_list方法是读取txt文件的代码：

with open(file, "rb") as f:
    lines = f.readlines()

因为源码中以rb方式打开了txt文件，导致读取时多了一个\r，具体的解释在这里可以找到。

3.为什么训练检测模型和识别模型时候不会报错？

对于标签的处理代码，在ppocr\data\imaug\label_ops.py中，分析可知：

检测模型是DetLabelEncode类，检测图像的标签是json数据，而代码中的json.loads()方法会自动忽略结尾的\r。

识别模型是CTCLabelEncode类，类中存在一个encode方法来检查字符是否在规定的字典中，\r一般不会在字典中所以被忽略了。

爆雷的只有没有经过处理的方向识别模型了。

总结

1.这并不算PaddleOCR的BUG，只能说没有考虑到所有情况。
2.个人不了解open函数r和rb的基础知识（也可能选择性忘记了）。

底下评论

问题一：

博主你好，我在对图片进行译码时报错

(paddle2) D:\PaddleOCR-release-2.7>python tools/infer_rec.py -c configs/rec/PP-OCRv3/morse_PP-OCRv3_rec.yml -o "Global.pretrained_model=D:/PaddleOCR-release-2.7/rec-300/iter_epoch_300.pdparams" "Global.infer_img=D:/design/data/ocr_img/ocr_img_cut/mixed/1-l1q_snr=5.jpg"
Traceback (most recent call last):
File "tools/infer_rec.py", line 194, in <module>
config, device, logger, vdl_writer = program.preprocess()
File "D:\PaddleOCR-release-2.7\tools\program.py", line 635, in preprocess
FLAGS = ArgsParser().parse_args()
File "D:\PaddleOCR-release-2.7\tools\program.py", line 61, in parse_args
args.opt = self._parse_opt(args.opt)
File "D:\PaddleOCR-release-2.7\tools\program.py", line 70, in _parse_opt
k, v = s.split('=')
ValueError: too many values to unpack (expected 2)

请问这是什么情况

问题二：

问题是以前 没有现在突然出现 我也是 2w 数据集出现问题 在数据集增多的情况下出现问题

问题三：

大佬，我看官方只支持0和180，在哪里修改代码才能做到90、270度的分类






zhy-_-

【百度PaddleOCR踩坑】报错：RecursionError: maximum recursion depth exceeded while calling a Python object

《Python基础教程》内容总览篇（持续更新中）
weixin_43178406的博客
08-26 31万+
大家好，我是爱编程的喵喵。双985硕士毕业，现担任全栈工程师一职，热衷于将数据思维应用到工作与生活中。从事机器学习以及相关的前后端开发工作。曾在阿里云、科大讯飞、CCF等比赛获得多次Top名次。现为优快云博客专家、人工智能领域优质创作者。喜欢通过博客创作的方式对所学的知识进行总结与归纳，不仅形成深入且独到的理解，而且能够帮助新手快速入门。个人精心开设的《Python基础课程》专栏订阅量接近900，帮助不少同学解决了Bug。
Python基础教程（十四）递归函数：你以为Python递归只是函数自调用？实则是时空扭曲力场！
jxf_jxfcsdn的博客
08-10 426
当面对树形结构、嵌套数据、分治算法时，递归是Python程序员的超维度武器。但真正的递归大师知道：递归不是目的，而是通向简洁解决方案的桥梁。在Python中，最优雅的递归实现往往藏在@lru_cache装饰器和生成器表达式的结合中——它们让递归既高效又安全。
【百度PaddleOCR踩坑】报错：RecursionError: maximum recursion depth exceeded while calling a Python object
HEYUDAGE的博客
08-08 1万+
在训练百度PaddleOCR开发套件的方向识别模型时候踩了一个小坑，通过分析找到问题，文本记录了分析过程。
【PaddleOCR】训练端到端OCR模型PGNet报错超出最大递归深度：maximum recursion depth exceeded while decoding a JSON array...
usiel的博客
07-12 1411
训练配置每1000step会eval一次，可以看到报错就发生在eval中在解析JSON数组时超出递归最大深度，结合下面多次__getitem__的调用栈可以肯定递归是主要问题，是什么导致了深度的递归？
PaddleOCR小问题记录
m0_64697300的博客
05-13 428
但是上述两种方法我都不适用，然后我注意到错误上面显示图片找不到，所以我怀疑是我使用模型的yaml文件路径填写错误，然后我把原有的路径都改为了数据集中对应的相对路径就能正常运行了。上网搜索是递归深度的问题 但是将递归深度修改之后还是出现问题。运行下述代码 进行评估预训练模型 结果出现上述错误。import sys # 导入sys模块。这是其中一种修改递归深度。
Crawl4ai 爬虫开发指南：从入门到实战，以及出现RecursionError: maximum recursion depth exceeded（已解决）
weixin_45966548的博客
06-04 1919
在数据驱动的时代，高效获取结构化网络数据是AI训练、市场分析等场景的关键需求。传统爬虫开发面临反爬对抗、动态渲染维护等痛点，而。
Python的最大递归深度错误 “maximum recursion depth exceeded while calling a Python object”...
热门推荐
weixin_34358365的博客
11-12 1万+
今天在写爬虫的时候，发现了一个诡异的事情，使用str方法强制转换一个BeautifulSoup对象成字符串的时候报错了，提示是“maximum recursion depth exceeded while calling a Python object”，意思大致是“当调用该对象超过最大递归深度” 报错如下： 1 2 3 4 5 6 7 ...
[已解决] Python RecursionError
我是 二川兄，对Web开发、GIS开发、3D模型、机器学习、面试技巧等方面都有一些涉猎~ 欢迎您加入技术交流圈！你可以在我的文章末尾找到我~
08-17 1832
[已解决] Python RecursionError
2020面试篇：python面试题库（基础篇）附详细答案
chaxiaoli001的博客
01-16 6030
https://shimo.im/docs/CdDxcHctyWwDJTYt/read 面试篇：python基础篇 为什么学习Python？ 通过什么途径学习的Python？ Python和Java、PHP、C、C#、C++等其他语言的对比？ 具体见https://www.cnblogs.com/ppf3678/p/10739261.html描述即可。 简述解释型和编译型编程语言？...
Python`sys`模块：系统特定配置详解
# Python `sys` 模块：系统特定配置详解 ## 1. 系统配置信息获取 `sys` 模块提供了与 Python 解释器和系统交互的接口。通过它，我们可以获取解释器的可执行文件路径和安装前缀。以下是示例代码： ```python import ...
Pythonsys模块：运行时特性与系统配置深入解析
# Python sys 模块：运行时特性与系统配置深入解析 ## 1. 安装位置 在 Python 中，`sys` 模块提供了有关 Python 解释器和系统的各种信息。其中，`sys.executable` 可以获取实际解释器程序的路径，这有助于确保使用...
Python自动化测试框架开发
2509_93945719的博客
11-26 881
封装requests时踩过坑，最初简单包装成通用方法，后来发现不同模块需要不同的超时策略和重试机制。框架开发过程中最大的体会是：好的设计不是一次性完成的，而是在不断踩坑、重构中迭代出来的。记住，自动化测试的终极目标不是追求100%覆盖率，而是用最小成本快速发现质量问题。最直观的变化是测试周期从原来的3天缩短到8小时，版本发布再也不用全员熬夜了。pytest的夹具机制比unittest灵活太多，特别是parametrize参数化，能轻松实现数据驱动。决定动手搭个统一的测试框架，把乱七八糟的脚本规范起来。
Python Pandas多列合并成一长列(扁平化)
最新发布
视觉算法小趴菜的博客
11-29 362
本文介绍了Pandas中三种数据扁平化方法：melt()按变量名和值两列重组数据，concat()垂直拼接多列，stack()将多列转为单列。测试数据显示melt()保留原列名信息，concat()和stack()仅保留数值。三种方法各有特点，适用于不同的数据扁平化需求。
【推荐系统】深度学习训练框架（五）：pyspark分布式TorchDistributor主从读取OSS文件认证机制
人工智能领域博客
11-28 1822
摘要： 本文详细解释了Spark Driver端与Worker端在OSS认证上的核心区别。Driver端通过Spark配置自动认证，而Worker端（独立Python进程）需显式提供认证信息。认证来源优先级为：1)Driver传递参数，2)环境变量，3)IAM角色。文章分析了架构差异导致的不同认证方式，并推荐从Driver传递认证信息的解决方案。当前实现已采用该方案，通过Spark配置或环境变量获取认证后传递给Worker进程，确保PyArrow能正确访问OSS数据。
收藏！软件测试面试题
2401_86705770的博客
11-26 686
作为一位过来人也是希望大家少走一些弯路，如果你不想再体验一次学习时找不到资料，没人解答问题，坚持几天便放弃的感受的话，在这里我给大家分享一些自动化测试的学习资源，希望能给你前进的路上带来帮助。
基于Python与Go构建云原生微服务自动化运维平台的架构设计思路实践策略与性能优化方法全流程解析
2501_94114213的博客
11-26 812
Python 提供灵活的任务调度与编排能力，Go 提供高并发、高吞吐的任务执行与采集能力。两者结合构建的云原生微服务运维平台能够在大规模环境下实现：自动化高可靠弹性扩展可观测高性能随着企业上云进程加速，Python + Go 的混合运维平台将成为云原生运维的标准实践方案。
遗留Python包中的漏洞代码可通过域名劫持攻击Python包索引
FreeBuf_的博客
11-28 404
遗留Python包漏洞可致供应链攻击，域名劫持风险威胁PyPI生态。
python自动化脚本-下载最新最全LPR
zhang_ruiqiang的博客
11-27 639
本文介绍了一个Python自动化脚本，用于从中国人民银行官网批量获取贷款市场报价利率(LPR)数据。通过分析网页结构，发现LPR数据分布在4个索引页面中，每个页面包含多个带有特定标题的链接。脚本使用BeautifulSoup解析网页，自动提取并存储所有LPR数据到本地文件，解决了手动下载效率低、易出错的问题。核心功能包括：页面URL自动生成、目标链接定位、数据内容提取和结果保存。该方案显著提高了数据采集效率，为金融数据分析提供了便利。
Python抓取ZLibrary元数据实战指南
yiruo250的博客
11-29 475
本文介绍使用Python抓取ZLibrary电子书元数据的技术方案。首先说明准备工作，包括Python环境配置、网页结构分析和反爬策略。详细讲解两种抓取方法：静态页面使用requests+BeautifulSoup解析，动态内容通过Selenium模拟浏览器操作。提供数据存储示例（CSV/JSON格式）和清洗技巧，并介绍异步抓取、Scrapy框架等高级优化方案。特别强调法律合规性，包括遵守robots.txt、控制请求频率及版权注意事项。附完整代码示例链接，为电子书数据分析提供技术参考。
报错信息：RecursionError: maximum recursion depth exceeded while calling a Python object，但是看起来递归并没有达到1000次
07-27
<think>我们正在讨论一个特殊场景：用户遇到了RecursionError，但实际递归深度并未达到1000次（默认限制）。这看起来违反直觉，但确实可能发生。以下我将分析可能原因并提供解决方案。 ### 原因分析 1. **多线程/异步环境中的递归限制** 在Python中，递归深度限制是**针对每个线程独立计算**的。如果程序使用多线程，每个线程的递归深度单独计数。但若主线程或其他线程同时进行深层递归，可能触发全局限制[^1][^2]。 2. **递归函数内调用其他递归函数** 递归函数A调用递归函数B时，两者的调用栈会叠加。例如： ```python def func_A(n): if n == 0: return func_B(n) # 调用另一个递归函数 def func_B(n): if n == 0: return func_A(n-1) # 互相调用 ``` 此时总递归深度为`func_A`和`func_B`的调用次数之和，即使单函数未超限，总和也可能超限[^3]。 3. **C扩展或内置函数递归** 部分C扩展模块（如NumPy、Pandas）或Python内置函数（如`__str__`、`__repr__`）可能隐式递归。例如： ```python class Node: def __init__(self, children): self.children = children def __repr__(self): return f"Node({self.children})" # 递归调用子节点的__repr__ # 循环引用导致无限递归 node = Node([]) node.children.append(node) print(node) # 触发RecursionError ``` 此类递归不直接可见，但会消耗栈深度[^4]。 4. **装饰器或元类导致的间接递归** 装饰器可能意外增加递归深度。例如： ```python def debug_decorator(func): def wrapper(*args): print("Calling", func.__name__) return func(*args) # 调用原函数 return wrapper @debug_decorator def recursive_func(n): if n == 0: return recursive_func(n-1) # 实际递归深度 = n + 装饰器调用次数 ``` 5. **系统栈空间不足** 操作系统对线程栈大小有限制（如Linux默认8MB）。即使递归次数较少，若单次调用占用栈过大（如大型局部变量），也可能提前触发栈溢出[^5]。 ### 解决方案 #### 1. 检查代码中的间接递归 - 排查是否存在函数间相互调用（如A→B→A）。 - 使用`sys._getframe().f_back`跟踪调用栈： ```python import sys def print_stack(depth=0): frame = sys._getframe() stack = [] while frame: stack.append(f"{frame.f_code.co_name}:{frame.f_lineno}") frame = frame.f_back print(f"Current depth: {len(stack)}") print("Stack trace:\n" + "\n".join(stack[-10:])) # 打印最后10层 ``` #### 2. 避免对象自引用 - 对包含循环引用的对象，重写`__repr__`或`__str__`方法： ```python class Node: def __init__(self, children): self.children = children def __repr__(self): return "Node(children)" # 避免递归输出子节点 ``` #### 3. 增加线程栈大小 - 对于多线程场景，可通过`threading.stack_size()`调整： ```python import threading threading.stack_size(1024*1024*32) # 32MB ``` 注意：必须在创建线程前设置。 #### 4. 使用迭代重写递归 将递归改为迭代（参考前文方法），这是最彻底的解决方案。 #### 5. 监控实际递归深度 在递归函数中添加计数器： ```python import sys def recursive_func(n, depth=0): if depth > 500: # 设置安全阈值 raise RuntimeError("Depth exceeds safe limit") # ...正常递归逻辑... recursive_func(n-1, depth+1) ``` ### 特殊情况：递归深度未达1000却报错 若递归深度明显小于1000仍报错，可能是： - **局部变量过大**：单个函数调用占用大量栈空间（如`local_var = [0]*1000000`）。 **解决**：减少栈占用，或用堆分配（如`global`或`heapq`）。 - **第三方库bug**：如旧版pyinstaller或tokenizer的已知问题[^4][^5]。 **解决**：更新库版本或应用补丁。 ### 总结流程 ```mermaid graph TD A[出现RecursionError但递归深度<1000] --> B{检查原因} B --> C1[多线程/异步环境] B --> C2[函数间递归调用] B --> C3[隐式递归（如__repr__）] B --> C4[局部变量过大] B --> C5[第三方库问题] C1 --> D1[增加线程栈大小] C2 --> D2[改为迭代或消除交叉递归] C3 --> D3[重写特殊方法] C4 --> D4[减少栈占用] C5 --> D5[更新库版本] ``` 通过以上方法，您可定位并解决非常规递归深度问题。若仍无法解决，建议提供最小可复现代码以便进一步分析。 §§相关问题§§ 1. 如何检测Python程序中的循环引用？ 2. 在多线程环境中如何安全地使用递归？ 3. 如何计算Python函数的栈空间占用？ 4. 哪些Python内置函数可能导致隐式递归？ 5. 如何为包含递归的Python程序设置线程栈大小？ [^1]: 引用自：RecursionError: maximum recursion depth exceeded原因及解决办法。 [^2]: 引用自：【Python】解决Python报错：RecursionError: maximum recursion depth exceeded。 [^3]: 引用自：Python报错：RecursionError: maximum recursion depth exceeded。 [^4]: 引用自：tokenizer出现RecursionError: maximum recursion depth exceeded while getting the str of an object的解决方案。 [^5]: 引用自：Python：pyinstaller报错【A RecursionError maximum recursion depth exceeded occurred】。</think>### Python RecursionError 但递归深度未达1000的原因与解决方案 当出现 `RecursionError: maximum recursion depth exceeded` 但实际递归调用次数未达到默认1000次限制时，通常有以下特殊原因及解决方案： --- #### 一、常见原因分析 1. **隐式递归调用** - 对象方法（如 `__str__`, `__repr__`, `__getattr__`）被意外递归调用 - **示例**： ```python class Node: def __init__(self, value): self.value = value self.children = [] def __repr__(self): # 错误：递归调用子节点的__repr__ return f"Node({self.value}, {self.children})" root = Node(1) child = Node(2) root.children.append(child) child.children.append(root) # 循环引用 print(root) # 触发RecursionError ``` *引用自对象循环引用场景[^4]* 2. **装饰器叠加递归** - 多层装饰器导致实际调用深度倍增 - **示例**： ```python def debug_decorator(func): def wrapper(*args): print(f"Calling {func.__name__}") return func(*args) # 装饰器本身增加调用深度 return wrapper @debug_decorator def recursive_func(n): if n <= 0: return recursive_func(n-1) # 实际深度 = n * 装饰器层数 ``` 3. **第三方库内部递归** - 使用库（如NLTK、SpaCy）时，其内部实现存在递归调用 - 典型场景：复杂文本解析、语法树生成[^4] 4. **系统栈空间不足** - 单次递归调用占用过大栈空间（如大型局部变量） - 递归深度远小于1000时即触发系统级栈溢出 5. **元类/metaclass 递归** - 元类中的 `__new__` 或 `__prepare__` 方法意外递归 --- #### 二、针对性解决方案 ##### 1. 对象循环引用问题 ```python class Node: def __init__(self, value): self.value = value self.children = [] def __repr__(self): # 安全方案：限制递归深度 return f"Node({self.value}, children_count={len(self.children)})" ``` ##### 2. 装饰器深度优化 ```python import functools def debug_decorator(func): @functools.wraps(func) def wrapper(*args): # 添加深度监控 if wrapper.depth > 100: raise RuntimeError("Depth limit reached") wrapper.depth += 1 result = func(*args) wrapper.depth -= 1 return result wrapper.depth = 0 return wrapper ``` ##### 3. 第三方库问题处理 - **步骤**： 1. 更新库到最新版本 2. 限制输入规模（如缩短文本长度） 3. 替换为迭代型工具（如SpaCy的`nlp.pipe`替代逐句处理） ##### 4. 栈空间优化 ```python def recursive_func(n, large_data=None): # 将大型数据移出栈帧 large_data = large_data or [] # 使用生成器减少内存占用 if n <= 0: yield else: yield from recursive_func(n-1, large_data) ``` ##### 5. 元类递归预防 ```python class SafeMeta(type): def __new__(cls, name, bases, dct): # 避免在__new__中创建同类实例 if not hasattr(cls, '_creating'): cls._creating = True instance = super().__new__(cls, name, bases, dct) delattr(cls, '_creating') return instance else: raise RuntimeError("Recursive metaclass call") ``` --- #### 三、调试工具与方法 1. **调用栈分析** ```python import sys import traceback def recursive_func(n): if n % 50 == 0: # 每50层打印栈信息 traceback.print_stack(limit=5) # ...递归逻辑... ``` 2. **深度监控装饰器** ```python def depth_monitor(func): def wrapper(*args, **kwargs): wrapper.count += 1 if wrapper.count > 500: raise RuntimeError(f"Depth exceeded at {wrapper.count}") result = func(*args, **kwargs) wrapper.count -= 1 return result wrapper.count = 0 return wrapper ``` 3. **内存分析工具** ```bash pip install memory-profiler mprof run --include-children your_script.py ``` --- #### 四、根本性预防策略 | **方案** | **适用场景** | **优势** | |-----------------------|----------------------------|-----------------------------| | 迭代替代递归 | 算法可改写 | 彻底避免递归限制 | | 尾递归优化 | 函数式编程场景 | 减少栈空间占用 | | 显式栈管理 | 复杂递归逻辑 | 完全控制调用深度 | | 分治+循环 | 大数据处理 | 并行处理能力 | > **关键提示**：当递归深度异常时，优先检查是否有**间接递归**（如通过属性访问触发的方法调用）而非直接递归调用[^4]。
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
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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

打赏作者

坦笑&&life

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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