如果你是跟着这个系列一路读过来的应该已经装了 Python 环境也写了不止一个“能跑”的脚本。这个系列的目标一直很明确帮你把 Python 的入门地基打扎实但不停留在“能写出.py文件”的层面。第一篇讲了环境和最基础的语法第二篇讲了函数和常用数据结构。到了第三篇也就是这篇我想聊点让代码真正“长大”的东西——模块化、异常处理、面向对象还有你迟早要面对的第三方库。为什么要在这个节点谈这些因为很多自学的人学到列表推导式就停下来了觉得“基础语法我都会了”结果一到真实项目就懵代码全写在同一个文件里一千多行想改个功能连下钻都找不到位置程序一报错直接傻眼根本不知道那些红色信息在说什么看到别人代码里有class手忙脚乱去查文档越看越抽象。这篇就是来解决这几个问题的。它适合已经掌握基础语法、想继续往初级到中级过渡的读者也适合学了很久但总觉得代码风格“不像正规军”的老朋友。学完这一篇你手里的 Python 就不再是玩具了它能帮你处理更真实、更复杂的任务。1. 模块代码一长最先要学的不是炫技是拆文件1.1 一个 py 文件跑到底到底哪里不行我记得第一次写超过五百行的脚本是在一个数据处理的需求里。当时所有函数、所有循环、所有 print 调试全堆在一个文件里前一百行定义变量中间三百行处理逻辑最后一百行输出结果。功能倒是实现了但第二天需求一变我去改其中一段逻辑的时候光是找到那一段就花了十分钟而且因为变量作用域纠缠不清改完一个地方另一个地方莫名报错。这个痛点是所有初级学习者必须正视的写代码不只是让程序跑起来还得让未来的自己能读懂、能维护。模块化就是解决这个问题的第一步。说白了就是把不同职责的代码拆到不同的 .py 文件里面按需导入。这么干的好处有两个一个是每个文件小且职责清晰查问题的时候去对应文件里找就行另一个是代码可以复用一个写好的工具函数可以同时被多个脚本调用不用复制粘贴。在 Python 里你可以把任何一个 .py 文件当作模块。假设你有一个 daily_tools.py# daily_tools.py def add(a, b): return a b def mul(a, b): return a * b然后在另一个文件 main.py 里你可以这样导入并使用# main.py import daily_tools print(daily_tools.add(2, 3)) from daily_tools import mul print(mul(4, 5))这里的 import 机制有几件事值得展开。第一import daily_tools会把整个模块里的代码执行一遍然后把模块名 daily_tools 作为命名空间提供给你。所以调用里面的函数要带前缀daily_tools.add。第二from daily_tools import mul是直接把 mul 这个名字导入当前命名空间好处是调用时不用带前缀坏处是有可能和你自己的变量名冲突。第三from daily_tools import *这种写法虽然存在但我在实际开发里强烈建议你别用。它会一次性导入模块里所有不以_开头的内容看着省事实际上会让你的代码变得完全不可追踪别人根本不知道某个函数是从哪来的。1.2 import 的路径逻辑与if __name__ __main__模块化之后新手碰撞的第一个问题是我把模块放到了别的文件夹里怎么 import 不到这就要理解 Python 找模块的规则了。Python 内部维护了一个叫sys.path的列表你 import 一个模块的时候它会按顺序在这个列表里找。列表的第一项通常是当前脚本所在的目录在交互式环境里是空字符串代表当前目录所以你的模块文件只要和主脚本在同一个目录直接 import 就能成功。要是模块在子目录里呢在 Python 里存放模块的文件夹被称作“包”。一个文件夹被当作包需要包含一个__init__.py文件。这个文件的含义是告诉 Python这个目录不是一个普通文件夹而是一个可以导入的包。后面版本里如果你的目录结构合理不写这个文件在某些情况下也可以命名空间包但对初学者来说就记住一点建包时一定放一个空的__init__.py免得踩到一些奇怪的导入问题。比如说你的项目结构长这样project/ main.py utils/ __init__.py file_helper.py那么在 main.py 里应该这样导入from utils.file_helper import read_config接着是if __name__ __main__这一行。很多新手会说我写不写都能跑啊这行到底有啥用关键在于理解__name__这个内置变量的行为。当你直接运行一个脚本时Python 会把它的__name__设置为字符串__main__。当你导入一个模块时这个被导入模块的__name__就是它的模块名比如daily_tools。所以如果你把测试代码写在if __name__ __main__里面直接运行这个模块时测试代码会执行被其他模块导入时测试代码不会执行。这个机制在调试工具函数时特别好用你既可以单独验证这个文件的功能又不会污染其它导入方。1.3 pip 和虚拟环境给不同项目装好“隔离舱”模块化解决了单机内代码的组织问题但真实项目里几乎不可能只用标准库你一定会用到第三方库。这就绕不开 pip 和虚拟环境。先说 pip它是 Python 的包管理工具用来安装、卸载、升级第三方包。命令核心就几个pip install numpy # 安装 pip uninstall numpy # 卸载 pip list # 查看已安装的包 pip install numpy1.26.0 # 安装指定版本在国内网络环境下直接装包经常遇到超时或速度极慢因为默认源是国外服务器。解决办法是换用国内镜像源。国内比较常用的几个源包括清华 TUNA 镜像、阿里云镜像、腾讯镜像。清华源的地址是https://pypi.tuna.tsinghua.edu.cn/simple。用的时候有两种方式一种是单次指定pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple另一种是设置全局默认源这样以后都不用再带-i参数了pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple虚拟环境这一点新手的感受可能还不深但等你同时负责两个项目的时候就懂了。一个项目基于 Django 3 开发另一个项目已经迁到了 Django 5如果你把第三方包一股脑全装在全局环境里升级这个必然破坏那个最后项目很可能直接跑不起来。虚拟环境就是给每个项目建立一套独立的包运行空间。用 Python 内置的 venv 创建python -m venv venv这条命令会在当前目录生成一个名为 venv 的文件夹。然后激活它Windows 上执行venv\Scripts\activatemacOS 或 Linux 上执行source venv/bin/activate。激活之后你用 pip 安装的任何包都会进到这个虚拟环境里不会污染全局环境。不干了或者切换项目执行deactivate退出即可。2. 异常处理从“一报错就慌”到“让报错听你的”2.1 错误和异常其实是两码事很多初学者见到屏幕上一片红字就紧张然后跑过来问“这个报错什么问题啊”但我也见过不少人在改了一个晚上的报错之后对 Python 产生了新的理解——报错不可怕可怕的是报错信息看不懂、也不知道接下来该怎么办。先厘清一个基础概念。在 Python 里语法错误和异常是两种不同的东西。语法错误是解释器在“看”代码阶段就发现的问题比如你少写了个冒号多写了个右括号这属于代码不符合语法规则解释器根本没法编译直接抛 SyntaxError。而异常是在程序“运行”过程中发生的问题语法上没问题但运行时环境出了问题。比如用户输入了一个无法转换成数字的内容比如你要打开一个压根不存在的文件这些都属于异常。初学者要做的第一步就是学会区分常见的异常类型。我把初级阶段最常遇到的几个列出来背下来不吃亏异常类型出现示例含义ZeroDivisionError1 / 0除数为零ValueErrorint(abc)类型正确但值不适合转换TypeError1 1类型不匹配IndexErrorlst[5]列表只有 3 个元素索引越界KeyErrord[name]字典里没有这个键键不存在FileNotFoundErroropen(not_exist.txt)文件不存在当你认识这些异常之后看到报错的末行就不会一头雾水了。Python 的报错信息里最后一行基本就是异常类型和一段简短描述前面的部分是不正常的“追踪栈”展示了异常是在哪个文件的第几行冒出来的顺着追踪栈从下往上看通常就是出问题的根因。2.2 try、except、else、finally 的完整攻击姿势异常处理的核心语法是try/except。最基本的写法是try: num int(input(请输入一个数字: )) result 10 / num print(result) except ValueError: print(输入的不是数字) except ZeroDivisionError: print(不能除以 0)这段代码的意思是先执行 try 块里的代码如果中途抛出了异常就跳过 try 里剩下的部分跳到对应的 except 块里执行处理逻辑。上面这个例子分别捕获了ValueError和ZeroDivisionError两种异常类型。这里有一个新手容易轻视的关键点except 后面的异常类型要尽量精确一定要避免裸写一个except:。裸捕获会让程序把所有可能的异常都吞掉包括键盘中断、内存错误、一切你想都想不到的问题造成的后果是程序在捕获所有异常后继续执行掩盖了真正的 bug到后面排查问题的时候你只能看到一个莫名其妙的后续结果完全找不到根源。我见过一个线上脚本就是这么坏的因为裸 except 把所有异常吞了下去导致日志里一根线索都没有花了整整一下午才查出是网络请求超时。try/except 还可以搭配 else 和 finally 一起使用构成完整结构try: num int(input(请输入一个数字: )) result 10 / num except ValueError: print(输入的不是数字) except ZeroDivisionError: print(不能除以 0) else: print(f结果是 {result}) finally: print(无论如何这一步都会执行)else块里的代码只有一种情况会执行try 块没有抛出任何异常。它的作用是区分“异常发生之后”和“一切正常”两条逻辑路径让代码逻辑更清晰。finally更直白无论成功还是失败它都会执行通常用于释放资源。比如操作完文件后要关闭文件无论是读了一半报错还是顺利读完都得把文件句柄关掉把关闭操作放进finally里就最稳妥。2.3 初级最容易踩的两个异常处理的坑第一个坑是“吞异常”。写法是try: data read_file() except: pass看起来程序不报错了安全运行了实际上这是最危险的状态。文件读取失败后data变量根本没定义后续代码用到data时直接抛 NameError到时候系统报的是另一个错误你看半天都不知道问题其实出在最开始的读取环节。正确做法是捕获异常后至少打印日志或者把错误信息抛出去让它暴露出来。哪怕只是except OSError as e: print(f读取失败: {e})也好过pass一百倍。第二个坑是“捕获范围过大”。比如你写except Exception:这样任何异常都能捕获掉。有时候你会猜想反正我就是要它在任何错误时都溜达过去省事。但这个写法会掩盖一些你不想忽略的 bug。例如上面那个除法例子如果除了 ValueError、ZeroDivisionError 之外还因为变量拼写错误导致 NameError这个异常也被 Exception 捕获了流程直接走 except 分支最后输出一个让你摸不着头脑的错误提示。合理做法是尽量捕获可能出现的精确异常类型把意料之外的异常老老实实暴露出来。3. 类与对象初学 Python 的第一个“分水岭”3.1 用“人”的视角来理解对象类与对象是很多 Python 初级学习者绕不过的一个坎。说实话这不是 Python 的语法难而是编程思维要转一个弯。前面你写的函数本质是“做一件事的操作”而类和对象本质是“把一个数据以及操作这些数据的方法封装成一个整体”。想理解它生活里最简单的一个类比就是“人”。你可以想象有一个模板叫 Student它描述了“学生”应该具有哪些属性和行为。属性就是数据比如名字、年龄、学号行为就是方法比如自我介绍。每个具体的学生比如小明、小红都是这个模板创造出来的“实例”。在 Python 里我们把模板叫“类”把实例叫“对象”。来看一段最简单的类代码class Student: def __init__(self, name, age): self.name name self.age age def introduce(self): print(f我叫 {self.name}今年 {self.age} 岁) s1 Student(小明, 18) s1.introduce()class关键字用来定义类__init__是一个特殊方法它在创建实例的时候自动调用。名字、年龄这些实例的“个性”数据都通过参数传入然后赋值给 self。这里的self到底是什么你可以理解成“这个实例自己”。当你调用s1.introduce()时Python 会自动把 s1 作为第一个参数传给 introduce所以self.name就是“小明这个实例的名字”。所有的实例方法第一个参数都必须是 self这是 Python 内部约定也是新手最容易忘的。3.2 类变量、实例变量和 self 的“坑”在类里面变量有两种常见的存放位置。一种是在__init__里通过 self.xxx yyy 赋值的叫实例变量它的特点是每个实例都有自己的副本。另一种是直接在类底部定义的叫类变量它的特点是所有实例共享同一个数据。class Student: school 第一中学 # 类变量 def __init__(self, name): self.name name # 实例变量 s1 Student(小明) s2 Student(小红) print(s1.school) # 第一中学 print(Student.school) # 第一中学这里有一个隐藏很深的坑如果你写s1.school 第二中学它并不会修改类变量 school而是给 s1 这个实例创建了一个新的实例变量 school以后访问 s1.school 得到的是新值访问 s2.school 和 Student.school 仍然还是老值。这种“看似修改共享数据实则创建了局部副本”的行为在代码初学阶段偶尔会让人困惑但只要记住访问顺序就能理清访问一个属性时Python 会先找实例变量找不到再找类变量再找不到就报 AttributeError。3.3 继承、多态初级阶段掌握到什么程度关于继承初级学习者最容易有两种极端。一种是完全不知道继承是干嘛的看到父类、子类就发怵另一种是刚学完就到处滥用继承把所有类都套上一堆父子关系。我的建议是初级阶段的继承你只要掌握一个最典型的场景就够了子类想复用父类的代码并且可以在父类基础上扩展自己的行为。class Animal: def __init__(self, name): self.name name def speak(self): print(...) class Dog(Animal): def speak(self): print(f{self.name} 汪汪叫) class Cat(Animal): def speak(self): print(f{self.name} 喵喵叫) d Dog(旺财) c Cat(咪咪) d.speak() c.speak()子类 Dog 和 Cat 继承父类 Animal 的__init__然后各自重写了speak方法。这就是多态的一个雏形同样一个 speak 接口不同的对象有不同的实现。对于初级阶段的写代码我觉得掌握到这里就够了。更加深入的封装原则、多继承、抽象基类、魔法方法这些东西等你在真实项目里遇到抽象需求再回头学效率更高。不要一上来就整花活类本身解决的核心问题是“让数据和操作内聚”这个观念比语法细节重要得多。4. 标准库与第三方库Python 的“能力弹药库”4.1 先把这五个内置库吃透日常效率翻倍Python 的特点之一就是“自带电池”解释器安装后就已经有一大批标准库可以使用。其中有几个是初级学习者应该优先掌握的几乎在任何一个脚本里都用得上。第一个是os它负责操作系统层面的交互。我最常用的是路径处理比如os.path.join用来拼接路径它比直接写字符串拼接更安全因为它会自动处理不同系统间的路径分隔符。还有os.getcwd()获取当前工作目录os.path.exists()判断文件是否存在os.makedirs()递归创建目录。第二个是json做数据存储和网络接口交互时躲不开。json.dumps()能把 Python 字典转成 JSON 字符串json.loads()能把 JSON 字符串转回 Python 字典。很多小项目不搞数据库直接就用一个 JSON 文件当配置文件存、取、改都非常方便。第三个是datetime专门处理时间和日期。最常用的是datetime.datetime.now()获取当前时间以及datetime.timedelta做时间运算。比如要生成昨天的时间戳datetime.datetime.now() - datetime.timedelta(days1)一行搞定。第四个是random生成随机数。random.randint(a, b)生成 a 到 b 之间的随机整数random.choice(sequence)从序列里随机选一个元素。抽奖、生成验证码、随机打乱列表时都用得上。第五个是collections它里面有几个非常好用的内置容器。比如Counter可以一行统计一个列表里每个元素出现的次数defaultdict可以在访问不存在的键时自动创建一个默认值省去一堆 if 判断。这些容器读起来很不像“标准库”一开始学容易漏掉但它们确实能减少大量样板代码。4.2 安装第三方库时最常遇见的三个问题第三方库是 Python 生态的精华但也是新手最容易卡住的地方。结合我见过的大量求助帖安装第三方库主要就三类问题。第一类是网络超时尤其是在国内直接装包频繁报 timed out。解决办法就是用刚才提到的镜像源如果清华源还是不够快可以换阿里云镜像https://mirrors.aliyun.com/pypi/simple/或者设置更长的超时时间pip install numpy --timeout120第二类是版本兼容问题。有时候你明明已经安装了包但代码里 import 报错一种常见原因是装到的版本和你 Python 版本不匹配。比如有些老包只支持到 Python 3.8在 3.12 上装出来后 import 直接报 DLL load failed。解决办法是在官方文档或包的元数据里找它支持的 Python 版本范围然后安装一个兼容的版本。这类问题还有个变种系统里同时装了 Python 3.7 和 Python 3.11pip 装到了旧版本里新的 Python 里怎么都导入不到。排查方法就是看当前 Python 和 pip 是否对得上直接用python -m pip install 包名来保证装进当前 Python 环境。第三类是只在某个项目里需要这个库但你又不想污染全局环境。这时候就该回过头用虚拟环境了在虚拟环境里单独装哪怕装坏了直接删掉 venv 文件夹重建一个就行完全不伤全局。4.3 初级之后的“方向预览”到这一步很多读者应该已经能写出结构清晰、带异常处理和简单类封装的项目了。这时候会有一种“想干点大项目”的冲动。我建议可以往下面几个方向试一试都是新手接触真实项目的经典入口爬虫方向学会用requests发起 HTTP 请求用BeautifulSoup或lxml解析网页结构抓取静态页面数据。初级先别碰反爬太厉害的网站拿新闻网站练手就够了。数据分析与可视化方向用pandas处理表格数据用matplotlib画折线图、柱状图。这个方向非常容易出成就感数据一进一出一张漂亮的图就出来了。自动化办公方向用openpyxl读写 Excel 文件用python-docx操作 Word 文档批量处理报表、合同是很多办公场景的刚需。简单 Web 方向用Flask或FastAPI写一个本地网页应用把脚本能力包装成带接口的服务。这些方向我都建议在自己机器上立刻动手试一个Python 这东西光看是不行的动手跑一个小项目比看十篇教程都有用。5. 初级时期最容易踩中的几颗“雷”5.1 可变对象当默认参数函数越调越“失忆”这个坑几乎每个 Python 开发者都踩过因为它不报错只在逻辑上悄悄出错是最阴险的一类。def add_item(item, items[]): items.append(item) return items print(add_item(1)) # [1] print(add_item(2)) # [1, 2]咦第二次调用怎么把第一次的结果也带上了问题出在 Python 的函数默认值只会在函数定义时计算一次之后每次调用都复用同一个列表对象。所以第一次调用 append 进去的内容第二次调用依然存在。解决办法是默认值一律用None在函数内部再初始化为空列表def add_item(item, itemsNone): if items is None: items [] items.append(item) return items这个坑给我们的启示是在 Python 里所有可变数据类型列表、字典、集合都不适合做函数默认参数。如果你在写代码时遇到默认参数是一个可变容器心里就要拉响警报。5.2 is 和 别傻傻分不清is判断的是“两个变量是否指向同一个对象”判断的是“两个对象的值是否相等”。这两个概念初学者特别容易混。看这一段a [1, 2, 3] b [1, 2, 3] print(a b) # True值相等 print(a is b) # False是两个不同的列表对象那两个变量指向同一个对象的情况是存在的比如c a这时c is a就是 True因为它们引用同一个列表。问题来了如果你误用 is 去比较两个值相等的字符串或列表结果很可能不如预期。尤其是小整数和短字符串Python 解释器为了性能会做一些缓存比如x 256 y 256 print(x is y) # True因为小整数被缓存了 x 257 y 257 print(x is y) # False超出了缓存范围这种不一致的结果太容易误导人了。我自己的规范是判断值相等一律用判断“是否为 None”用is判断“是否为同一个对象”也是用is。除此之外别用 is 去比较普通值。5.3 类型转换的边界比想象中更严格热搜里一直有人搜 Python 类型转换说明这是高频需求。基础用法很简单int()、float()、str()、list()、tuple()。但实际上转换并不是万能的它有非常严格的边界条件。int(123)能得到 123但int(123.45)会抛 ValueErrorint(12a)也会抛 ValueError。float(3.14)能得到 3.14但float(abc)一样会报错。所以写转换代码的时候最好先做验证或者放在 try/except 里捕获异常def safe_int(value, default0): try: return int(value) except (ValueError, TypeError): return default另一个典型场景是字符串和列表的互转。list(hello)得到[h, e, l, l, o]把这个列表用.join(lst)可以变回原来的字符串但很多人会记混 split 和 join 的参数split 接收的是分隔符字符串join 接收的是可迭代对象。写多了之后你自然就记住了但一开始建议多敲几遍把问题暴露在练习阶段。5.4 深浅拷贝看似复制了其实只是“贴了个标签”列表的复制存在一个非常隐蔽的问题直接赋值并不复制只是让多个变量引用同一个列表。a [1, 2, 3] b a b.append(4) print(a) # [1, 2, 3, 4]a 也被改了这其实不是 bug而是 Python 的引用语义。如果你真想复制一份独立的数据可以用a.copy()或者a[:]。但这里还藏着一个更深的坑浅拷贝。看这段a [1, 2, [3, 4]] b a.copy() b[2][0] 99 print(a) # [1, 2, [99, 4]]a.copy()做的是浅拷贝意思是它复制了外层列表但内层那个[3, 4]列表仍然和 a 共享同一个对象。所以要复制包含嵌套容器的数据必须使用深拷贝import copy a [1, 2, [3, 4]] b copy.deepcopy(a) b[2][0] 99 print(a) # [1, 2, [3, 4]]a 保持不变我自己在写代码时的经验是如果数据结构是扁平的一层列表/字典用浅拷贝没问题一旦嵌套层数超过一层直接上 deepcopy别在“我这种情况会不会受影响”上纠结省下的思考时间远比多花的那点性能值钱。5.5 别再用 print 调试了试试最简单有效的排查方式写到最后分享一个同样重要但很少被初级教程提到的习惯别再用满屏幕的 print 来调试代码。print 当然不是不能用但它有两个问题一是你调试完后要手动删掉删漏了就会污染输出结果二是 print 太多的时候根本分不清哪一条是哪个阶段打印出来的。更靠谱的替代方案是使用 Python 内置的logging模块它可以用日志级别区分信息、警告和错误还能方便地输出到文件里import logging logging.basicConfig(levellogging.DEBUG) logging.debug(调试信息用来追踪变量) logging.info(普通提示) logging.warning(这里可能有潜在问题) logging.error(程序出错了)你会发现用日志级别代替 print 之后代码的可读性反而提高了正常运行时只显示必要的信息排查问题时再把日志级别调到 DEBUG就能看到所有细节调完也不用大面积删代码改一个配置就行。说实话这个系列写到第三篇“初级”这个标签已经快要装不下你了。模块化让代码不再是一团乱麻异常处理让程序即使出错也是可控的类与对象让你能用更抽象的眼光看待数据和行为标准库与第三方库更是一扇通往真实世界的大门。下一步怎么走回到你手头正在折腾的那个项目把这篇提到的东西用起来拆模块、补异常、试着写个类让今天的代码比昨天的更好一点就够了。
如果你是跟着这个系列一路读过来的应该已经装了 Python 环境也写了不止一个“能跑”的脚本。这个系列的目标一直很明确帮你把 Python 的入门地基打扎实但不停留在“能写出.py文件”的层面。第一篇讲了环境和最基础的语法第二篇讲了函数和常用数据结构。到了第三篇也就是这篇我想聊点让代码真正“长大”的东西——模块化、异常处理、面向对象还有你迟早要面对的第三方库。为什么要在这个节点谈这些因为很多自学的人学到列表推导式就停下来了觉得“基础语法我都会了”结果一到真实项目就懵代码全写在同一个文件里一千多行想改个功能连下钻都找不到位置程序一报错直接傻眼根本不知道那些红色信息在说什么看到别人代码里有class手忙脚乱去查文档越看越抽象。这篇就是来解决这几个问题的。它适合已经掌握基础语法、想继续往初级到中级过渡的读者也适合学了很久但总觉得代码风格“不像正规军”的老朋友。学完这一篇你手里的 Python 就不再是玩具了它能帮你处理更真实、更复杂的任务。1. 模块代码一长最先要学的不是炫技是拆文件1.1 一个 py 文件跑到底到底哪里不行我记得第一次写超过五百行的脚本是在一个数据处理的需求里。当时所有函数、所有循环、所有 print 调试全堆在一个文件里前一百行定义变量中间三百行处理逻辑最后一百行输出结果。功能倒是实现了但第二天需求一变我去改其中一段逻辑的时候光是找到那一段就花了十分钟而且因为变量作用域纠缠不清改完一个地方另一个地方莫名报错。这个痛点是所有初级学习者必须正视的写代码不只是让程序跑起来还得让未来的自己能读懂、能维护。模块化就是解决这个问题的第一步。说白了就是把不同职责的代码拆到不同的 .py 文件里面按需导入。这么干的好处有两个一个是每个文件小且职责清晰查问题的时候去对应文件里找就行另一个是代码可以复用一个写好的工具函数可以同时被多个脚本调用不用复制粘贴。在 Python 里你可以把任何一个 .py 文件当作模块。假设你有一个 daily_tools.py# daily_tools.py def add(a, b): return a b def mul(a, b): return a * b然后在另一个文件 main.py 里你可以这样导入并使用# main.py import daily_tools print(daily_tools.add(2, 3)) from daily_tools import mul print(mul(4, 5))这里的 import 机制有几件事值得展开。第一import daily_tools会把整个模块里的代码执行一遍然后把模块名 daily_tools 作为命名空间提供给你。所以调用里面的函数要带前缀daily_tools.add。第二from daily_tools import mul是直接把 mul 这个名字导入当前命名空间好处是调用时不用带前缀坏处是有可能和你自己的变量名冲突。第三from daily_tools import *这种写法虽然存在但我在实际开发里强烈建议你别用。它会一次性导入模块里所有不以_开头的内容看着省事实际上会让你的代码变得完全不可追踪别人根本不知道某个函数是从哪来的。1.2 import 的路径逻辑与if __name__ __main__模块化之后新手碰撞的第一个问题是我把模块放到了别的文件夹里怎么 import 不到这就要理解 Python 找模块的规则了。Python 内部维护了一个叫sys.path的列表你 import 一个模块的时候它会按顺序在这个列表里找。列表的第一项通常是当前脚本所在的目录在交互式环境里是空字符串代表当前目录所以你的模块文件只要和主脚本在同一个目录直接 import 就能成功。要是模块在子目录里呢在 Python 里存放模块的文件夹被称作“包”。一个文件夹被当作包需要包含一个__init__.py文件。这个文件的含义是告诉 Python这个目录不是一个普通文件夹而是一个可以导入的包。后面版本里如果你的目录结构合理不写这个文件在某些情况下也可以命名空间包但对初学者来说就记住一点建包时一定放一个空的__init__.py免得踩到一些奇怪的导入问题。比如说你的项目结构长这样project/ main.py utils/ __init__.py file_helper.py那么在 main.py 里应该这样导入from utils.file_helper import read_config接着是if __name__ __main__这一行。很多新手会说我写不写都能跑啊这行到底有啥用关键在于理解__name__这个内置变量的行为。当你直接运行一个脚本时Python 会把它的__name__设置为字符串__main__。当你导入一个模块时这个被导入模块的__name__就是它的模块名比如daily_tools。所以如果你把测试代码写在if __name__ __main__里面直接运行这个模块时测试代码会执行被其他模块导入时测试代码不会执行。这个机制在调试工具函数时特别好用你既可以单独验证这个文件的功能又不会污染其它导入方。1.3 pip 和虚拟环境给不同项目装好“隔离舱”模块化解决了单机内代码的组织问题但真实项目里几乎不可能只用标准库你一定会用到第三方库。这就绕不开 pip 和虚拟环境。先说 pip它是 Python 的包管理工具用来安装、卸载、升级第三方包。命令核心就几个pip install numpy # 安装 pip uninstall numpy # 卸载 pip list # 查看已安装的包 pip install numpy1.26.0 # 安装指定版本在国内网络环境下直接装包经常遇到超时或速度极慢因为默认源是国外服务器。解决办法是换用国内镜像源。国内比较常用的几个源包括清华 TUNA 镜像、阿里云镜像、腾讯镜像。清华源的地址是https://pypi.tuna.tsinghua.edu.cn/simple。用的时候有两种方式一种是单次指定pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple另一种是设置全局默认源这样以后都不用再带-i参数了pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple虚拟环境这一点新手的感受可能还不深但等你同时负责两个项目的时候就懂了。一个项目基于 Django 3 开发另一个项目已经迁到了 Django 5如果你把第三方包一股脑全装在全局环境里升级这个必然破坏那个最后项目很可能直接跑不起来。虚拟环境就是给每个项目建立一套独立的包运行空间。用 Python 内置的 venv 创建python -m venv venv这条命令会在当前目录生成一个名为 venv 的文件夹。然后激活它Windows 上执行venv\Scripts\activatemacOS 或 Linux 上执行source venv/bin/activate。激活之后你用 pip 安装的任何包都会进到这个虚拟环境里不会污染全局环境。不干了或者切换项目执行deactivate退出即可。2. 异常处理从“一报错就慌”到“让报错听你的”2.1 错误和异常其实是两码事很多初学者见到屏幕上一片红字就紧张然后跑过来问“这个报错什么问题啊”但我也见过不少人在改了一个晚上的报错之后对 Python 产生了新的理解——报错不可怕可怕的是报错信息看不懂、也不知道接下来该怎么办。先厘清一个基础概念。在 Python 里语法错误和异常是两种不同的东西。语法错误是解释器在“看”代码阶段就发现的问题比如你少写了个冒号多写了个右括号这属于代码不符合语法规则解释器根本没法编译直接抛 SyntaxError。而异常是在程序“运行”过程中发生的问题语法上没问题但运行时环境出了问题。比如用户输入了一个无法转换成数字的内容比如你要打开一个压根不存在的文件这些都属于异常。初学者要做的第一步就是学会区分常见的异常类型。我把初级阶段最常遇到的几个列出来背下来不吃亏异常类型出现示例含义ZeroDivisionError1 / 0除数为零ValueErrorint(abc)类型正确但值不适合转换TypeError1 1类型不匹配IndexErrorlst[5]列表只有 3 个元素索引越界KeyErrord[name]字典里没有这个键键不存在FileNotFoundErroropen(not_exist.txt)文件不存在当你认识这些异常之后看到报错的末行就不会一头雾水了。Python 的报错信息里最后一行基本就是异常类型和一段简短描述前面的部分是不正常的“追踪栈”展示了异常是在哪个文件的第几行冒出来的顺着追踪栈从下往上看通常就是出问题的根因。2.2 try、except、else、finally 的完整攻击姿势异常处理的核心语法是try/except。最基本的写法是try: num int(input(请输入一个数字: )) result 10 / num print(result) except ValueError: print(输入的不是数字) except ZeroDivisionError: print(不能除以 0)这段代码的意思是先执行 try 块里的代码如果中途抛出了异常就跳过 try 里剩下的部分跳到对应的 except 块里执行处理逻辑。上面这个例子分别捕获了ValueError和ZeroDivisionError两种异常类型。这里有一个新手容易轻视的关键点except 后面的异常类型要尽量精确一定要避免裸写一个except:。裸捕获会让程序把所有可能的异常都吞掉包括键盘中断、内存错误、一切你想都想不到的问题造成的后果是程序在捕获所有异常后继续执行掩盖了真正的 bug到后面排查问题的时候你只能看到一个莫名其妙的后续结果完全找不到根源。我见过一个线上脚本就是这么坏的因为裸 except 把所有异常吞了下去导致日志里一根线索都没有花了整整一下午才查出是网络请求超时。try/except 还可以搭配 else 和 finally 一起使用构成完整结构try: num int(input(请输入一个数字: )) result 10 / num except ValueError: print(输入的不是数字) except ZeroDivisionError: print(不能除以 0) else: print(f结果是 {result}) finally: print(无论如何这一步都会执行)else块里的代码只有一种情况会执行try 块没有抛出任何异常。它的作用是区分“异常发生之后”和“一切正常”两条逻辑路径让代码逻辑更清晰。finally更直白无论成功还是失败它都会执行通常用于释放资源。比如操作完文件后要关闭文件无论是读了一半报错还是顺利读完都得把文件句柄关掉把关闭操作放进finally里就最稳妥。2.3 初级最容易踩的两个异常处理的坑第一个坑是“吞异常”。写法是try: data read_file() except: pass看起来程序不报错了安全运行了实际上这是最危险的状态。文件读取失败后data变量根本没定义后续代码用到data时直接抛 NameError到时候系统报的是另一个错误你看半天都不知道问题其实出在最开始的读取环节。正确做法是捕获异常后至少打印日志或者把错误信息抛出去让它暴露出来。哪怕只是except OSError as e: print(f读取失败: {e})也好过pass一百倍。第二个坑是“捕获范围过大”。比如你写except Exception:这样任何异常都能捕获掉。有时候你会猜想反正我就是要它在任何错误时都溜达过去省事。但这个写法会掩盖一些你不想忽略的 bug。例如上面那个除法例子如果除了 ValueError、ZeroDivisionError 之外还因为变量拼写错误导致 NameError这个异常也被 Exception 捕获了流程直接走 except 分支最后输出一个让你摸不着头脑的错误提示。合理做法是尽量捕获可能出现的精确异常类型把意料之外的异常老老实实暴露出来。3. 类与对象初学 Python 的第一个“分水岭”3.1 用“人”的视角来理解对象类与对象是很多 Python 初级学习者绕不过的一个坎。说实话这不是 Python 的语法难而是编程思维要转一个弯。前面你写的函数本质是“做一件事的操作”而类和对象本质是“把一个数据以及操作这些数据的方法封装成一个整体”。想理解它生活里最简单的一个类比就是“人”。你可以想象有一个模板叫 Student它描述了“学生”应该具有哪些属性和行为。属性就是数据比如名字、年龄、学号行为就是方法比如自我介绍。每个具体的学生比如小明、小红都是这个模板创造出来的“实例”。在 Python 里我们把模板叫“类”把实例叫“对象”。来看一段最简单的类代码class Student: def __init__(self, name, age): self.name name self.age age def introduce(self): print(f我叫 {self.name}今年 {self.age} 岁) s1 Student(小明, 18) s1.introduce()class关键字用来定义类__init__是一个特殊方法它在创建实例的时候自动调用。名字、年龄这些实例的“个性”数据都通过参数传入然后赋值给 self。这里的self到底是什么你可以理解成“这个实例自己”。当你调用s1.introduce()时Python 会自动把 s1 作为第一个参数传给 introduce所以self.name就是“小明这个实例的名字”。所有的实例方法第一个参数都必须是 self这是 Python 内部约定也是新手最容易忘的。3.2 类变量、实例变量和 self 的“坑”在类里面变量有两种常见的存放位置。一种是在__init__里通过 self.xxx yyy 赋值的叫实例变量它的特点是每个实例都有自己的副本。另一种是直接在类底部定义的叫类变量它的特点是所有实例共享同一个数据。class Student: school 第一中学 # 类变量 def __init__(self, name): self.name name # 实例变量 s1 Student(小明) s2 Student(小红) print(s1.school) # 第一中学 print(Student.school) # 第一中学这里有一个隐藏很深的坑如果你写s1.school 第二中学它并不会修改类变量 school而是给 s1 这个实例创建了一个新的实例变量 school以后访问 s1.school 得到的是新值访问 s2.school 和 Student.school 仍然还是老值。这种“看似修改共享数据实则创建了局部副本”的行为在代码初学阶段偶尔会让人困惑但只要记住访问顺序就能理清访问一个属性时Python 会先找实例变量找不到再找类变量再找不到就报 AttributeError。3.3 继承、多态初级阶段掌握到什么程度关于继承初级学习者最容易有两种极端。一种是完全不知道继承是干嘛的看到父类、子类就发怵另一种是刚学完就到处滥用继承把所有类都套上一堆父子关系。我的建议是初级阶段的继承你只要掌握一个最典型的场景就够了子类想复用父类的代码并且可以在父类基础上扩展自己的行为。class Animal: def __init__(self, name): self.name name def speak(self): print(...) class Dog(Animal): def speak(self): print(f{self.name} 汪汪叫) class Cat(Animal): def speak(self): print(f{self.name} 喵喵叫) d Dog(旺财) c Cat(咪咪) d.speak() c.speak()子类 Dog 和 Cat 继承父类 Animal 的__init__然后各自重写了speak方法。这就是多态的一个雏形同样一个 speak 接口不同的对象有不同的实现。对于初级阶段的写代码我觉得掌握到这里就够了。更加深入的封装原则、多继承、抽象基类、魔法方法这些东西等你在真实项目里遇到抽象需求再回头学效率更高。不要一上来就整花活类本身解决的核心问题是“让数据和操作内聚”这个观念比语法细节重要得多。4. 标准库与第三方库Python 的“能力弹药库”4.1 先把这五个内置库吃透日常效率翻倍Python 的特点之一就是“自带电池”解释器安装后就已经有一大批标准库可以使用。其中有几个是初级学习者应该优先掌握的几乎在任何一个脚本里都用得上。第一个是os它负责操作系统层面的交互。我最常用的是路径处理比如os.path.join用来拼接路径它比直接写字符串拼接更安全因为它会自动处理不同系统间的路径分隔符。还有os.getcwd()获取当前工作目录os.path.exists()判断文件是否存在os.makedirs()递归创建目录。第二个是json做数据存储和网络接口交互时躲不开。json.dumps()能把 Python 字典转成 JSON 字符串json.loads()能把 JSON 字符串转回 Python 字典。很多小项目不搞数据库直接就用一个 JSON 文件当配置文件存、取、改都非常方便。第三个是datetime专门处理时间和日期。最常用的是datetime.datetime.now()获取当前时间以及datetime.timedelta做时间运算。比如要生成昨天的时间戳datetime.datetime.now() - datetime.timedelta(days1)一行搞定。第四个是random生成随机数。random.randint(a, b)生成 a 到 b 之间的随机整数random.choice(sequence)从序列里随机选一个元素。抽奖、生成验证码、随机打乱列表时都用得上。第五个是collections它里面有几个非常好用的内置容器。比如Counter可以一行统计一个列表里每个元素出现的次数defaultdict可以在访问不存在的键时自动创建一个默认值省去一堆 if 判断。这些容器读起来很不像“标准库”一开始学容易漏掉但它们确实能减少大量样板代码。4.2 安装第三方库时最常遇见的三个问题第三方库是 Python 生态的精华但也是新手最容易卡住的地方。结合我见过的大量求助帖安装第三方库主要就三类问题。第一类是网络超时尤其是在国内直接装包频繁报 timed out。解决办法就是用刚才提到的镜像源如果清华源还是不够快可以换阿里云镜像https://mirrors.aliyun.com/pypi/simple/或者设置更长的超时时间pip install numpy --timeout120第二类是版本兼容问题。有时候你明明已经安装了包但代码里 import 报错一种常见原因是装到的版本和你 Python 版本不匹配。比如有些老包只支持到 Python 3.8在 3.12 上装出来后 import 直接报 DLL load failed。解决办法是在官方文档或包的元数据里找它支持的 Python 版本范围然后安装一个兼容的版本。这类问题还有个变种系统里同时装了 Python 3.7 和 Python 3.11pip 装到了旧版本里新的 Python 里怎么都导入不到。排查方法就是看当前 Python 和 pip 是否对得上直接用python -m pip install 包名来保证装进当前 Python 环境。第三类是只在某个项目里需要这个库但你又不想污染全局环境。这时候就该回过头用虚拟环境了在虚拟环境里单独装哪怕装坏了直接删掉 venv 文件夹重建一个就行完全不伤全局。4.3 初级之后的“方向预览”到这一步很多读者应该已经能写出结构清晰、带异常处理和简单类封装的项目了。这时候会有一种“想干点大项目”的冲动。我建议可以往下面几个方向试一试都是新手接触真实项目的经典入口爬虫方向学会用requests发起 HTTP 请求用BeautifulSoup或lxml解析网页结构抓取静态页面数据。初级先别碰反爬太厉害的网站拿新闻网站练手就够了。数据分析与可视化方向用pandas处理表格数据用matplotlib画折线图、柱状图。这个方向非常容易出成就感数据一进一出一张漂亮的图就出来了。自动化办公方向用openpyxl读写 Excel 文件用python-docx操作 Word 文档批量处理报表、合同是很多办公场景的刚需。简单 Web 方向用Flask或FastAPI写一个本地网页应用把脚本能力包装成带接口的服务。这些方向我都建议在自己机器上立刻动手试一个Python 这东西光看是不行的动手跑一个小项目比看十篇教程都有用。5. 初级时期最容易踩中的几颗“雷”5.1 可变对象当默认参数函数越调越“失忆”这个坑几乎每个 Python 开发者都踩过因为它不报错只在逻辑上悄悄出错是最阴险的一类。def add_item(item, items[]): items.append(item) return items print(add_item(1)) # [1] print(add_item(2)) # [1, 2]咦第二次调用怎么把第一次的结果也带上了问题出在 Python 的函数默认值只会在函数定义时计算一次之后每次调用都复用同一个列表对象。所以第一次调用 append 进去的内容第二次调用依然存在。解决办法是默认值一律用None在函数内部再初始化为空列表def add_item(item, itemsNone): if items is None: items [] items.append(item) return items这个坑给我们的启示是在 Python 里所有可变数据类型列表、字典、集合都不适合做函数默认参数。如果你在写代码时遇到默认参数是一个可变容器心里就要拉响警报。5.2 is 和 别傻傻分不清is判断的是“两个变量是否指向同一个对象”判断的是“两个对象的值是否相等”。这两个概念初学者特别容易混。看这一段a [1, 2, 3] b [1, 2, 3] print(a b) # True值相等 print(a is b) # False是两个不同的列表对象那两个变量指向同一个对象的情况是存在的比如c a这时c is a就是 True因为它们引用同一个列表。问题来了如果你误用 is 去比较两个值相等的字符串或列表结果很可能不如预期。尤其是小整数和短字符串Python 解释器为了性能会做一些缓存比如x 256 y 256 print(x is y) # True因为小整数被缓存了 x 257 y 257 print(x is y) # False超出了缓存范围这种不一致的结果太容易误导人了。我自己的规范是判断值相等一律用判断“是否为 None”用is判断“是否为同一个对象”也是用is。除此之外别用 is 去比较普通值。5.3 类型转换的边界比想象中更严格热搜里一直有人搜 Python 类型转换说明这是高频需求。基础用法很简单int()、float()、str()、list()、tuple()。但实际上转换并不是万能的它有非常严格的边界条件。int(123)能得到 123但int(123.45)会抛 ValueErrorint(12a)也会抛 ValueError。float(3.14)能得到 3.14但float(abc)一样会报错。所以写转换代码的时候最好先做验证或者放在 try/except 里捕获异常def safe_int(value, default0): try: return int(value) except (ValueError, TypeError): return default另一个典型场景是字符串和列表的互转。list(hello)得到[h, e, l, l, o]把这个列表用.join(lst)可以变回原来的字符串但很多人会记混 split 和 join 的参数split 接收的是分隔符字符串join 接收的是可迭代对象。写多了之后你自然就记住了但一开始建议多敲几遍把问题暴露在练习阶段。5.4 深浅拷贝看似复制了其实只是“贴了个标签”列表的复制存在一个非常隐蔽的问题直接赋值并不复制只是让多个变量引用同一个列表。a [1, 2, 3] b a b.append(4) print(a) # [1, 2, 3, 4]a 也被改了这其实不是 bug而是 Python 的引用语义。如果你真想复制一份独立的数据可以用a.copy()或者a[:]。但这里还藏着一个更深的坑浅拷贝。看这段a [1, 2, [3, 4]] b a.copy() b[2][0] 99 print(a) # [1, 2, [99, 4]]a.copy()做的是浅拷贝意思是它复制了外层列表但内层那个[3, 4]列表仍然和 a 共享同一个对象。所以要复制包含嵌套容器的数据必须使用深拷贝import copy a [1, 2, [3, 4]] b copy.deepcopy(a) b[2][0] 99 print(a) # [1, 2, [3, 4]]a 保持不变我自己在写代码时的经验是如果数据结构是扁平的一层列表/字典用浅拷贝没问题一旦嵌套层数超过一层直接上 deepcopy别在“我这种情况会不会受影响”上纠结省下的思考时间远比多花的那点性能值钱。5.5 别再用 print 调试了试试最简单有效的排查方式写到最后分享一个同样重要但很少被初级教程提到的习惯别再用满屏幕的 print 来调试代码。print 当然不是不能用但它有两个问题一是你调试完后要手动删掉删漏了就会污染输出结果二是 print 太多的时候根本分不清哪一条是哪个阶段打印出来的。更靠谱的替代方案是使用 Python 内置的logging模块它可以用日志级别区分信息、警告和错误还能方便地输出到文件里import logging logging.basicConfig(levellogging.DEBUG) logging.debug(调试信息用来追踪变量) logging.info(普通提示) logging.warning(这里可能有潜在问题) logging.error(程序出错了)你会发现用日志级别代替 print 之后代码的可读性反而提高了正常运行时只显示必要的信息排查问题时再把日志级别调到 DEBUG就能看到所有细节调完也不用大面积删代码改一个配置就行。说实话这个系列写到第三篇“初级”这个标签已经快要装不下你了。模块化让代码不再是一团乱麻异常处理让程序即使出错也是可控的类与对象让你能用更抽象的眼光看待数据和行为标准库与第三方库更是一扇通往真实世界的大门。下一步怎么走回到你手头正在折腾的那个项目把这篇提到的东西用起来拆模块、补异常、试着写个类让今天的代码比昨天的更好一点就够了。
