Python中最强大的错误重试库
添加微信号"CNFeffery"加入技术交流群
❝本文示例代码及文件已上传至我的
❞Github
仓库https://github.com/CNFeffery/DataScienceStudyNotes
1 简介
我们在编写程序尤其是与网络请求相关的程序,如调用web接口、运行网络爬虫等任务时,经常会遇到一些偶然发生的请求失败的状况,这种时候如果我们仅仅简单的捕捉错误然后跳过对应任务,肯定是不严谨的,尤其是在网络爬虫中,会存在损失有价值数据的风险。
这类情况下我们就很有必要为我们的程序逻辑添加一些「错误重试」的策略,费老师我在几年前写过文章介绍过Python
中的retry
库,但它功能较为单一,只能应对基本的需求。
而今天我要给大家介绍的tenacity
库,可能是目前Python
生态中最好用的错误重试库,下面就让我们一睹其主要功能吧~
2 tenacity中的常用功能
作为一个第三方Python
库,我们可以使用pip install tenacity
对其进行安装,安装完成后,下面我们来学习一下tenacity
的主要使用方法和特性:
2.1 tenacity的基础使用
tenacity
的错误重试核心功能由其retry
装饰器来实现,默认不给retry
装饰器传参数时,它会在其所装饰的函数运行过程抛出错误时不停地重试下去,譬如下面这个简单的例子:
import random
from tenacity import retry
@retry
def demo_func1():
a = random.random()
print(a)
if a >= 0.1:
raise Exception
demo_func1()
可以看到,我们的函数体内每次生成0到1之间的随机数,当这个随机数不超过0.1时才会停止抛出错误,否则则会被tenacity
捕捉到每次的错误抛出行为并立即重试。
2.2 设置最大重试次数
有些时候我们对某段函数逻辑错误重试的忍耐是有限度的,譬如当我们调用某个网络接口时,如果连续n次都执行失败,我们可能就会认为这个任务本身就存在缺陷,不是通过重试就能有朝一日正常的。
这种时候我们可以利用tenacity
中的stop_after_attempt
函数,作为retry()
中的stop
参数传入,从而为我们“无尽”的错误重试过程添加一个终点,其中stop_after_attempt()
接受一个整数输入作为「最大重试」的次数:
from tenacity import retry, stop_after_attempt
@retry(stop=stop_after_attempt(3))
def demo_func2():
print('函数执行')
raise Exception
demo_func2()
可以看到,我们的函数在限制了最大重试次数后,经过3次重试,在第4次继续执行依然抛出错误后,正式地抛出了函数中对应的Exception
错误结束了重试过程。
2.3 设置重试最大超时时长
我们除了像上一小节中那样设置最大错误重试的次数之外,tenacity
还为我们提供了stop_after_delay()
函数来设置整个重试过程的最大耗时,超出这个时长也会结束重试过程:
import time
from tenacity import retry, stop_after_delay
# 设置重试最大超时时长为5秒
@retry(stop=stop_after_delay(5))
def demo_func3():
time.sleep(1)
print(f'已过去 {time.time() - start_time} 秒')
raise Exception
# 记录开始时间
start_time = time.time()
demo_func3()
2.4 组合重试停止条件
如果我们的任务同时需要添加最大重试次数以及最大超时时长限制,在tenacity
中仅需要用|
运算符组合不同的限制条件再传入retry()
的stop
参数即可,譬如下面的例子,当我们的函数执行重试超过3秒或次数大于5次时均可以结束重试:
import time
import random
from tenacity import retry, stop_after_delay, stop_after_attempt
@retry(stop=(stop_after_delay(3) | stop_after_attempt(5)))
def demo_func4():
time.sleep(random.random())
print(f'已过去 {time.time() - start_time} 秒')
raise Exception
# 记录开始时间
start_time = time.time()
demo_func4()
可以看到,在上面的演示中,先达到了“最大重试5次”的限制从而结束了重试过程。
2.5 设置相邻重试之间的时间间隔
有些情况下我们并不希望每一次重试抛出错误后,立即开始下一次的重试,譬如爬虫任务中为了更好地伪装我们的程序,tenacity
中提供了一系列非常实用的函数,配合retry()
的wait
参数,帮助我们妥善处理相邻重试之间的时间间隔,其中较为实用的主要有以下两种方式:
2.5.1 设置固定时间间隔
我们通过使用tenacity
中的wait_fixed()
可以为相邻重试之间设置固定的等待间隔秒数,就像下面的简单示例那样:
import time
from tenacity import retry, wait_fixed, stop_after_attempt
# 设置重试等待间隔为1秒
@retry(wait=wait_fixed(1), stop=stop_after_attempt(3))
def demo_func5():
print(f'已过去 {time.time() - start_time} 秒')
raise Exception
# 记录开始时间
start_time = time.time()
demo_func5()
2.5.2 设置随机时间间隔
除了设置固定的时间间隔外,tenacity
还可以通过wait_random()
帮助我们为相邻重试设置均匀分布随机数,只需要设置好均匀分布的范围即可:
import time
from tenacity import retry, wait_random, stop_after_attempt
# 设置重试等待间隔为1到3之间的随机数
@retry(wait=wait_random(min=1, max=3), stop=stop_after_attempt(5))
def demo_func6():
print(f'已过去 {time.time() - start_time} 秒')
raise Exception
# 记录开始时间
start_time = time.time()
demo_func6()
可以观察到,每一次重试后的等待时长都是随机的~
2.6 自定义是否触发重试
tenacity
中retry()
的默认策略是当其所装饰的函数执行过程“抛出任何错误”时即进行重试,但有些情况下我们需要的可能是对特定错误类型的捕捉/忽略,亦或是对异常计算结果的捕捉。
tenacity
中同样内置了相关的实用功能:
2.6.1 捕捉或忽略特定的错误类型
使用tenacity
中的retry_if_exception_type()
和retry_if_not_exception_type()
,配合retry()
的retry
参数,我们可以对特定的错误类型进行捕捉或忽略:
from tenacity import retry, retry_if_exception_type, retry_if_not_exception_type
@retry(retry=retry_if_exception_type(FileExistsError))
def demo_func7():
raise TimeoutError
@retry(retry=retry_if_not_exception_type(FileNotFoundError))
def demo_func8():
raise FileNotFoundError
2.6.2 自定义函数结果条件判断函数
我们可以编写额外的条件判断函数,配合tenacity
中的retry_if_result()
,实现对函数的返回结果进行自定义条件判断,返回True
时才会触发重试操作:
import random
from tenacity import retry, retry_if_result
@retry(retry=retry_if_result(lambda x: x >= 0.1))
def demo_func9():
a = random.random()
print(a)
return a
# 记录开始时间
demo_func9()
2.7 对函数的错误重试情况进行统计
被tenacity
的retry()
装饰的函数,我们可以打印其retry.statistics
属性查看其历经的错误重试统计记录结果,譬如这里我们对前面执行过的示例函数demo_func9()
的统计结果进行打印:
demo_func9.retry.statistics
除了上述的功能之外,tenacity
还具有很多特殊的特性,可以结合logging
模块、异步函数、协程等其他Python
功能实现更高级的功能,感兴趣的朋友可以前往https://github.com/jd/tenacity
了解更多。
以上就是本文的全部内容,欢迎在评论区与我进行讨论~
加入知识星球【我们谈论数据科学】
500+小伙伴一起学习!
· 推荐阅读 ·