基础知识与语法要点
异常的定义与分类
在 Python 中，异常是程序在运行过程中发生的非预期事件，会中断正常执行流程并引发后续处理。理解异常层级和分类对于实现稳健的错误处理至关重要。常见的内置异常包括 ValueError、TypeError、IOError，以及更具体的 FileNotFoundError、JSONDecodeError 等。掌握它们的关系有助于你在开发与数据处理场景中做出更精准的处理决策。
同时需要关注异常基类的作用，例如所有异常都继承自 BaseException，通常更具体的 Exception 类才适合作为捕获目标。错误的捕获范围可能导致隐藏真实问题，因此在设计异常处理时应尽量缩小捕获粒度。下面这段代码演示了对特定异常的捕获逻辑：
# 捕获特定异常以避免吞掉其他错误
try:value = int("abc")
except ValueError as e:print("捕获到数值转换异常：", e)通过对具体异常类型进行捕获，可以提升诊断信息的可用性，并确保其他异常继续向上抛出，避免误处理带来的副作用。
try-except 的基本用法与流程控制
try 语句用于围绕可能抛出异常的代码段，随后通过一个或多个 except 块来处理不同类型的异常，最后可以使用 else 和 finally 来扩展控制流。理解这些分支对开发与数据处理任务中的鲁棒性非常重要。
下面是一个包含 else 和 finally 的简单示例，展示在成功时执行特定逻辑并确保最终资源清理：
try:value = int("123")
except ValueError:value = 0
else:print("转换成功，值为：", value)
finally:print("执行完毕，总是会执行这一步")开发场景中的 try-except 实战技巧
捕获与处理特定异常的策略
在日常开发中，面向业务逻辑的异常处理应尽量以捕获可预见的错误类型为目标，以避免吞噬隐藏的问题。这样做不仅提升了代码的可维护性，也有利于后续的日志记录与故障诊断。要点包括：限定异常范围、避免广义的 except:、并在必要时重新抛出未知异常以便上游处理。
以下示例展示了对不同业务场景的异常分支处理，确保每种异常都能获得明确的处理路径：
def read_config(path):try:with open(path, "r", encoding="utf-8") as f:return f.read()except FileNotFoundError as e:print("配置文件未找到：", e)raiseexcept PermissionError as e:print("没有权限读取配置文件：", e)raiseexcept (ValueError, json.JSONDecodeError) as e:print("配置格式错误：", e)raiseexcept Exception as e:print("未预见的错误：", e)raise通过对不同异常类型分支处理，你可以在开发和数据处理工作流中实现更清晰的错误语义，并在需要时将异常抛回调用方。
异常传播与异常链
有时你需要在捕获一个异常后，包装并重新抛出一个更具上下文的自定义异常，这有助于在上层应用中维持一致的错误语义。Python 提供了 异常链（通过 during 语句和 raise from 语法）来保留原始异常信息，方便追踪根因。
下面的示例演示了如何创建一个自定义异常并保留原始异常链信息：
class DataProcessingError(Exception):passdef process(row):try:# 可能抛出 ZeroDivisionError 等异常value = 10 / int(row)except Exception as e:raise DataProcessingError("数据处理失败，源异常保留") from e数据处理场景中的异常处理策略
文件I/O与解析异常处理
在数据处理管道中，文件读取、编码、解析等环节容易抛出 I/O 异常、解析错误，需要针对不同来源的数据做专门的处理。通过精细化的异常捕获，可以在遇到不可处理的错误时给出清晰的诊断信息，同时确保流程的健壮性。
示例展示了对常见数据源的兼容性处理，以及在解析阶段对异常的分级处理：
import json
def load_json(path):try:with open(path, "r", encoding="utf-8") as f:return json.load(f)except FileNotFoundError as e:print("数据源文件未找到：", e)raiseexcept json.JSONDecodeError as e:print("JSON 格式错误：", e)raiseexcept OSError as e:print("文件系统错误：", e)raise在数据处理场景中，确保对 JSON、CSV、XML 等格式的解析异常有明确的处理路径，以降低数据管道的中断概率。
数据清洗与容错设计
数据清洗阶段通常需要对脏数据进行容错处理，例如给缺失字段设定默认值、忽略不可解析的行等。这种策略应尽量局部化，避免全局崩溃，并且保留可观测性信息以便后续审计。
一个常见做法是对逐行处理的逻辑进行 try-except，遇到异常时记录并继续处理剩余数据：
def clean_record(record):try:amount = float(record.get("amount", 0))# 其他字段清洗...return {"amount": amount}except (TypeError, ValueError) as e:print("跳过无效记录：", e)return None异常日志与监控：可观测性提升
日志记录中的异常追踪
在任何异常处理流程中，将错误信息系统化记录到日志中，是实现可观测性的关键步骤。推荐使用 Python 的 logging 模块，结合适当的日志级别、格式和上下文信息，以便在开发与生产环境中快速定位问题。
下面的示例演示了如何在 except 块中记录错误，同时附带上下文变量，便于诊断：
import logging
logging.basicConfig(level=logging.INFO)def fetch(url):try:response = requests.get(url)response.raise_for_status()return response.contentexcept requests.RequestException as e:logging.error("请求失败：%s | url=%s", e, url)raise自定义异常与异常链的应用
为了提升领域语义的清晰度，可以为业务逻辑定义自定义异常，并在必要时通过异常链保留原始信息。这样做有助于聚合监控与告警规则，并在故障诊断中提供更有价值的上下文。
示例中展示了自定义异常与异常链的结合使用：
class DataPipelineError(Exception):passdef run_pipeline():try:# 可能抛出底层异常的操作passexcept ValueError as e:raise DataPipelineError("管道阶段失败：数值错误") from e上下文管理与资源清理在异常处置中的作用
使用 with 与上下文管理器
上下文管理器在异常发生时仍能确保资源正确释放，最经典的场景是文件 I/O、数据库连接、网络会话等。使用 with 语句可以简化资源清理的代码，并降低泄露风险。
以下示例演示了在数据加载中通过 with 自动管理文件资源，确保无论是否发生异常都能完成清理：
def load_lines(path):try:with open(path, "r", encoding="utf-8") as f:for line in f:yield line.strip()except OSError as e:print("读取文件失败：", e)raisefinally 分支的作用与替代方案
finally 块始终执行，在需要显式进行清理或关闭系统资源时非常有用。但是在现代 Python 中，推荐更偏向于上下文管理器的方式来确保资源释放，以提升代码的可读性与可靠性。
若不得不使用 finally，下面的模式可以清晰呈现：
resource = acquire_resource()
try:# 进行操作operate(resource)
finally:release_resource(resource)性能与最佳实践
不要把异常作为控制流程的工具
在高性能或实时数据处理场景中，频繁抛出和捕获异常会带来额外开销，应避免将异常作为正常流程的分支路径。优先采用条件判断和输入校验来避免异常的产生。
如果确实需要处理边界情况，务必确保对异常的处理成本可控，并通过统计信息与日志进行监控。
# 不要将异常作为循环控制的手段
while True:line = read_line()if line is None:breaktry:process(line)except DataFormatError:log_warning(line)continue捕获最具体的异常并提供有用的信息
在设计异常处理策略时，优先捕获最具体的异常类型，并在日志中附带足够的上下文信息以助于排错。避免使用裸露的 except:，以免掩盖潜在的编程错误。
以下示例强调了精确的异常捕获与上下文信息输出的结合：
def parse_record(rec):try:id_ = int(rec.get("id"))value = float(rec.get("value"))return {"id": id_, "value": value}except (TypeError, ValueError) as e:raise DataProcessingError("记录格式错误，无法解析") from e