在学习 Python 编程的过程中，写代码并不算难，真正让人崩溃的往往是——调试。很多初学者调 Bug 的方式是：随便加几个 print()，看看屏幕输出，祈祷问题自己消失。结果信息越来越多，思路却越来越乱。

我也曾这样“撞大运式”调试，既低效又心累。直到后来，我逐渐总结出一套清晰、有逻辑的调试方法，不再靠运气，而是通过结构化思路和工具，快速定位问题。

今天，我想分享这套 实战经验，帮你从“盲猜式调试”转向“高效系统化调试”。

一、从错误信息入手：别再忽视 Traceback

很多人看到 Python 抛出的长长错误提示时，会选择跳过，甚至直接慌了。但事实上，这些信息就是最直接的线索。

例子：

def divide(a, b):
    return a / b
print(divide(10, 0))

运行结果是：

ZeroDivisionError: division by zero

Python 已经清楚地告诉你，问题在“除以零”。调试时，先看最后一行错误提示，因为它才是导致崩溃的根本原因。

适用场景

程序直接报错时
错误堆栈很长，不知道从哪里下手

常见误区

只看第一行提示：其实应该先看最后一行
忽视报错文件和行号：很多人明明 Python 已经给出位置，却依然满代码乱找

二、聪明地使用 print()：精准，而不是乱打

print() 是大家最常用的调试方式，但大多数人用得很随意，打印的信息反而让问题更复杂。

更好的做法是：只打印能回答问题的内容。

def process(numbers):
    total = 0
    for i, num in enumerate(numbers):
        total += num
        print(f"Step {i}: num={num}, total={total}")  
    return total

这种方式能让你清楚地看到每一步变量的变化过程。

适用场景

小型函数、逻辑不复杂的调试
想快速确认变量的中间值

常见误区

打印无意义的内容（例如“here”“there”）
一次性打印太多变量，结果屏幕满屏数据，反而没重点

三、用上 Python 自带的调试器 pdb

相比 print()，pdb 更专业，可以让你在程序运行中“暂停”，随时查看内部状态。

示例：

import pdb

def calculate_area(length, width):
    pdb.set_trace()
    return length * width

print(calculate_area(5, 0))

运行到 set_trace() 时，程序会停下来等待你输入命令：

print(length) → 查看变量值
next → 单步运行
continue → 继续运行

适用场景

逻辑较复杂，需要逐行观察代码执行过程
想临时查看变量状态，而不是到处加 print()

常见误区

只知道停下来，却不会输入命令
随便在代码里加太多 set_trace()，结果流程一团糟

四、日志记录：替代满屏的 print()

随着项目规模变大，print() 会让控制台变成“垃圾场”。这时就要用 logging。

import logging
logging.basicConfig(level=logging.DEBUG)

def add(a, b):
    logging.debug(f"Adding {a} + {b}")
    return a + b

print(add(10, 20))

日志的优势在于：

可以设置不同级别（DEBUG、INFO、ERROR）
需要时过滤掉不重要的信息
结构化输出，便于管理

适用场景

中大型项目
需要长期保留调试信息，或多人协作

常见误区

仍然当作 print() 用，不设置级别
日志全开 DEBUG，导致输出信息太多，失去意义

五、用 IDE 的断点调试：更直观的方式

VS Code、PyCharm 等 IDE 自带的调试工具，比 pdb 更友好。

操作很简单：在代码行号处点一下，设置一个断点，然后用“调试模式”运行。程序执行到这一行会暂停，你可以：

鼠标悬停查看变量
单步执行代码
快速查看调用链

本质上，它就是 图形化的 pdb。

适用场景

不喜欢命令行操作的人
需要直观、可视化的调试体验

常见误区

以为复杂就不用，实际上 IDE 调试比 pdb 更容易上手
只会打断点，却不会单步调试

六、从小处测试：不要一次跑完整个程序

新手常犯的错误是：写好一个大函数，一口气运行，报错了却不知道问题出在哪。

比如：

def process_file(file):
    with open(file) as f:
        data = f.read().splitlines()
        numbers = [int(x) for x in data]
        avg = sum(numbers) / len(numbers)
        print("Average:", avg)

如果直接运行，可能遇到各种问题：文件路径错了、数据格式不对、除零错误……

正确做法是拆小测试：

print(open("data.txt").read())                 
print(open("data.txt").read().splitlines())    
print([int(x) for x in ["1", "2", "3"]])

这样能快速缩小问题范围。

适用场景

处理文件、数据转换等容易出错的环节
不确定输入数据是否符合预期时

常见误区

一次跑完所有逻辑，报错后难以定位
跳过基本验证，直接假设数据正确

七、用 try-except 预防错误

调试不仅是修复，更是预防。例如用户输入不合法数据时，可以用 try-except 提前处理：

try:
    num = int(input("Enter number: "))
    print(10 / num)
except ZeroDivisionError:
    print("Oops, division by zero!")
except ValueError:
    print("Invalid input, please enter a number")

适用场景

用户输入、外部文件、网络请求等不确定性很高的地方
容易出现已知错误类型时

常见误区

一股脑用 except: 捕获所有错误，反而掩盖问题
错误处理写得模糊，导致后续排查更难

八、写单元测试：未来的自己会感谢现在的你

单元测试可能是最被忽视的调试方式。但一旦写起来，你会发现它能大幅度减少 Bug。

import unittest

def add(a, b):
    return a + b

class TestMath(unittest.TestCase):
    def test_add(self):
        self.assertEqual(add(2, 3), 5)
        self.assertEqual(add(-1, 1), 0)

unittest.main()

提前写好测试，可以在上线前发现问题，而不是等到用户反馈。

适用场景

需要长期维护的项目
对稳定性要求较高的代码

常见误区

只写功能，不写测试，结果 Bug 一直重复出现
测试不全，只覆盖了“理想情况”，却忽略了边界情况

九、总结：调试是一门可以练习的技能

调试不是靠运气，而是靠方法。记住这几点：

看报错信息，从最后一行开始
用 print()，但要有针对性
学会 pdb 或 IDE 调试
用日志管理信息
逐步测试，而不是一次跑全局
用 try-except 处理可预见错误
写单元测试，提前防范 Bug

调试的过程，本质上就是缩小问题范围、精准锁定原因。掌握这些技巧后，你会发现调试不再焦虑，而是一次有条理的推理之旅。

顾乔芝士网

持续更新的前后端开发技术栈

如何像专业人士一样调试 Python 代码

一、从错误信息入手：别再忽视 Traceback

适用场景

常见误区

二、聪明地使用 print()：精准，而不是乱打

适用场景

常见误区

三、用上 Python 自带的调试器 pdb

适用场景

常见误区

四、日志记录：替代满屏的 print()

适用场景

常见误区

五、用 IDE 的断点调试：更直观的方式

适用场景

常见误区

六、从小处测试：不要一次跑完整个程序

适用场景

常见误区

七、用 try-except 预防错误

适用场景

常见误区

八、写单元测试：未来的自己会感谢现在的你

适用场景

常见误区

九、总结：调试是一门可以练习的技能