Python 中防御性编程的断言和缺点

2019-02-27 08:00:00 · 飞浪

介绍要了解并深入了解防御性编程的理论，请查看本系列的第一篇指南。断言断言在单元测试中非常常见。事实上，Python有大量针对单元测试的自定义断言集合。但是，没有理由

介绍

要了解并深入了解防御性编程的理论，请查看本系列的第一篇指南。

断言

断言在单元测试中非常常见。事实上，Python有大量针对单元测试的自定义断言集合。但是，没有理由只在测试世界中使用这个有用的工具。

普通代码中的断言语句也非常有用。这些语句接受一个表达式并引发AssertionError，如果表达式为False ，还会引发一条可选消息。

假设我们有以下函数，它从用户那里获取值并将指定范围的数据规范化为 0 到 1 之间的某个值，以便以后的新小部件可以使用它。

      def normalize_ranges(colname):
    """
    Normalize given data range to values in [0 - 1]

    Return dictionary new 'min' and 'max' keys in range [0 - 1]
    """

    # 1-D numpy array of data we loaded application with
    original_range = get_base_range(colname)
    colspan = original_range['datamax'] - original_range['datamin']

    # User filtered data from GUI
    live_data = get_column_data(colname)
    live_min = numpy.min(live_data)
    live_max = numpy.max(live_data)

    ratio = {}
    try:
        ratio['min'] = (live_min - original_range['datamin']) / colspan
        ratio['max'] = (live_max - original_range['datamin']) / colspan
    except ZeroDivisionError:
        ratio['min'] = 0.0
        ratio['max'] = 0.0

    return ratio
    

如果我们上面的函数声称总是返回0 - 1之间的值。不幸的是，进一步强调我们的假设表明事实并非如此：

      >>> age = numpy.array([-10.0, 20.0, 30.0, 40.0, 50.0])
>>> normalize_ranges('age')
{'max': 1.0, 'min': -0.5}
    

可以想象，这种情况很容易在很长一段时间内被忽视，并且此返回值可能会传播到整个代码库。这正是无法找到的错误类型，并导致了本系列指南开头的悲惨故事。

我们可以尝试考虑用户可能传递的每个值并正确处理它。事实上，这是正确的做法，但不能保证我们不会错过任何东西。我们已经承认程序员是会犯错的。

幸运的是，既然我们已经接受了我们会犯错误的事实，我们就可以使用断言语句来对付我们未来的自己。

      def normalize_ranges(colname):
    """
    Normalize given data range to values in [0 - 1]

    Return dictionary new 'min' and 'max' keys in range [0 - 1]
    """

    # 1-D numpy array of data we loaded application with
    original_range = get_base_range(colname)
    colspan = original_range['datamax'] - original_range['datamin']

    # User filtered data from GUI
    live_data = get_column_data(colname)
    live_min = numpy.min(live_data)
    live_max = numpy.max(live_data)

    ratio = {}

    try:
        ratio['min'] = (live_min - original_range['datamin']) / colspan
        ratio['max'] = (live_max - original_range['datamin']) / colspan
    except ZeroDivisionError:
        ratio['min'] = 0.0
        ratio['max'] = 0.0

    assert 0.0 <= ratio['min'] <= 1.0, (
            '"%s" min (%f) not in [0-1] given (%f) colspan (%f)' % (
            colname, ratio['min'], original_range['datamin'], colspan))

    assert 0.0 <= ratio['max'] <= 1.0, (
            '"%s" max (%f) not in [0-1] given (%f) colspan (%f)' % (
            colname, ratio['max'], original_range['datamax'], colspan))

    return ratio
    

我们添加了一些断言语句，如果我们没有返回预期范围内的值，这些语句会提醒我们。让我们看看这些断言如何改变我们的小测试用例：

      >>> age = numpy.array([-10.0, 20.0, 30.0, 40.0, 50.0])
>>> normalize_ranges('age')
AssertionError: "age" min (-0.500000) not in [0-1] given (10.000000) colspan(40.000000)
    

这个小改变有几个好处：

作为一种可执行文档的形式
将警告置于更接近根本问题的位置
包含有关“无效”参数的宝贵调试信息

1. 作为可执行文档的一种形式

通常，文档有几种不同的形式，例如内联注释或块注释、文档字符串和 Sphinx。每种形式都有特定的用途，并且对软件开发几乎必不可少。不幸的是，它们都存在相同的问题：它们很快就会与快速变化的代码和需求脱节。这导致开发人员无法信任文档。

断言充当了具有不同目的的文档。它们清晰简洁地描述了应用程序在运行时的预期状态。此外，如果我们更改假设而不修改断言以匹配新行为，应用程序会发出抱怨。

断言语句更有可能与其他更改一起更新。因此，断言比不可执行的文档更值得信赖。此外，断言仍然提供注释、文档字符串等的许多好处。

值得一提的是，Python 生态系统中还有另一种相当常见的可执行文档形式，称为doctests。这些测试/文档看起来可能有些丑陋，但它们的主要特点是它们接近代码，就像断言一样。

2. 将警告置于更接近问题根源的位置

我们都经历过这种情况，你花了几个小时调试一个问题，然后才意识到真正的错误甚至离你开始的地方还很远（参见5 个为什么）。也许错误的根本原因在逻辑上离你第一次看到症状的地方很远。

例如，您在系统深处发现了一个字节字符串，但您假设内部所有内容都是 Unicode 字符串。可能需要很长时间才能找到转换首次中断的位置。这是一种令人沮丧的情况。如果能早点发现错误或至少有更多的调试信息就好了。

断言不会阻止这种情况，但它们确实提供了改进它的机会。上面的断言将在该函数不遵守其契约返回0 - 1之间的值时提醒我们。如果我们发现其他具有无效范围的代码，这可能会在以后给我们提供有价值的线索。我们会知道这个函数没有履行其契约的义务。这个线索实际上可以节省数小时，因为它可以避免从症状一直追溯到原因。

3. 包含有关“无效”参数的宝贵调试信息

请注意，我们的断言语句还包含有关输入参数的信息。当用户使用我们无法访问的数据遇到错误时，这些信息将非常有价值。此外，当用户难以解释错误场景时，调试信息将特别有用。因此，这几个断言语句可以防止您成为可耻地将错误标记为“不可重现”状态的人。

输入参数信息还有其他一些微妙的好处：

显示有关用户正在运行的数据类型的无效假设。
解释我们的文档中关于预期什么类型的数据的疏忽。
暴露无法执行的潜在新用例。

断言缺点

我们已经确定断言可以带来很多好处，但它并不全是乐趣和游戏。像往常一样，它也有缺点。

1.调试模式

通常，出于技术和实际原因，断言语句不适用于生产代码。仅当隐藏的调试常量为True时，断言才会启用。但是，此常量的默认值为True，这意味着您的代码很可能当前处于调试模式。

如果您的应用程序处于可以注意到少量额外逻辑的环境中，则需要考虑这一点。关闭调试模式的唯一方法是使用-O 选项运行 Python 解释器。

2. 代码噪音增加

过度使用断言很容易，很快就会使你的代码难以阅读。这会使得你的代码非常嘈杂，并将真正的功能埋没在一系列错误检查和条件中。以下代码就是过度使用的示例，很难看出代码的用途。

      def normalize_ranges(colname):
    """
    Normalize given data range to values in [0 - 1]

    Return dictionary new 'min' and 'max' keys in range [0 - 1]
    """

    assert isinstance(colname, str)

    original_range = get_base_range(colname)
    assert original_range['datamin'] >= 0
    assert original_range['datamax'] >= 0
    assert original_range['datamin'] <= original_range['datamax']

    colspan = original_range['datamax'] - original_range['datamin']
    assert colspan >= 0, 'Colspan (%f) is negative' % (colspan)

    live_data = get_column_data(colname)
    assert len(live_data), 'Empty live data'

    live_min = numpy.min(live_data)
    live_max = numpy.max(live_data)

    ratio = {}

    try:
        ratio['min'] = (live_min - original_range['datamin']) / colspan
        ratio['max'] = (live_max - original_range['datamin']) / colspan
    except ZeroDivisionError:
        ratio['min'] = 0.0
        ratio['max'] = 0.0

    assert 0.0 <= ratio['min'] <= 1.0
    assert 0.0 <= ratio['max'] <= 1.0

    return ratio
    

正确使用断言

谨慎使用断言，只用于那些你认为永远不会发生的事情。不要过度使用断言来检查无效输入。

对此没有硬性规定，每个开发人员对断言使用的容忍度可能不同。尝试采用一些自己的标准并将其包含在开发人员风格指南中。

您确实有风格指南，对吧？

另外，请记住 Python 支持鸭子类型，所以不要过度使用断言来验证所有类型，从而破坏这一点。

我发现一种有用的技术是在应用程序的顶层捕获所有AssertionError异常，并将它们与另一种有用的技术结合起来。

结论

这种开发风格很难分类，不幸的是，没有任何固定的规则来说明何时使用什么。所以，我鼓励你记住这些指导方针。继续阅读本系列的下一篇指南，了解有关防御性编程日志记录的更多信息。

这些指导方针将导致思维方式发生微妙的变化。思维方式的改变很重要，而不是工具和机制本身。最终，你会因为过度使用断言或日志而犯一些错误，并开始形成自己的风格。此外，每个项目的要求都不同，因此学习所有工具并以适合你情况的方式组合它们很重要。

_{免责声明：本内容来源于第三方作者授权、网友推荐或互联网整理，旨在为广大用户提供学习与参考之用。所有文本和图片版权归原创网站或作者本人所有，其观点并不代表本站立场。如有任何版权侵犯或转载不当之情况，请与我们取得联系，我们将尽快进行相关处理与修改。感谢您的理解与支持！}

_查看原文

python

技术指南

阅读全文

Python 中防御性编程的断言和缺点

杭州电子商务研究院

5年前 · 面向社会、服务行业、政产学研结合、整合资源、和谐发展

def normalize_ranges(colname): """ Normalize given data range to values in [0 - 1] Return dictionary new 'min' and 'max' keys in range [0 - 1] """ # 1-D numpy array of data we loaded application with original_range = get_base_range(colname) colspan = original_range['datamax'] - original_range['datamin'] # User filtered data from GUI live_data = get_column_data(colname) live_min = numpy.min(live_data) live_max = numpy.max(live_data) ratio = {} try: ratio['min'] = (live_min - original_range['datamin']) / colspan ratio['max'] = (live_max - original_range['datamin']) / colspan except ZeroDivisionError: ratio['min'] = 0.0 ratio['max'] = 0.0 assert 0.0 <= ratio['min'] <= 1.0, ( '"%s" min (%f) not in [0-1] given (%f) colspan (%f)' % ( colname, ratio['min'], original_range['datamin'], colspan)) assert 0.0 <= ratio['max'] <= 1.0, ( '"%s" max (%f) not in [0-1] given (%f) colspan (%f)' % ( colname, ratio['max'], original_range['datamax'], colspan)) return ratio

def normalize_ranges(colname): """ Normalize given data range to values in [0 - 1] Return dictionary new 'min' and 'max' keys in range [0 - 1] """ assert isinstance(colname, str) original_range = get_base_range(colname) assert original_range['datamin'] >= 0 assert original_range['datamax'] >= 0 assert original_range['datamin'] <= original_range['datamax'] colspan = original_range['datamax'] - original_range['datamin'] assert colspan >= 0, 'Colspan (%f) is negative' % (colspan) live_data = get_column_data(colname) assert len(live_data), 'Empty live data' live_min = numpy.min(live_data) live_max = numpy.max(live_data) ratio = {} try: ratio['min'] = (live_min - original_range['datamin']) / colspan ratio['max'] = (live_max - original_range['datamin']) / colspan except ZeroDivisionError: ratio['min'] = 0.0 ratio['max'] = 0.0 assert 0.0 <= ratio['min'] <= 1.0 assert 0.0 <= ratio['max'] <= 1.0 return ratio