每次修复 bug 都好像会衍生出两个新的 bug，日志看起来就像加密的谜题，性能也一路下滑。我一度真的想过要从头重写所有内容。

下面介绍5个可以拯救你即将奔溃的代码的五个python库。

1. TQDM：将调试转化为进步

当一个脚本运行时间过长时，你的大脑就会开始怀疑它到底有没有用。我就是这样，盯着一个卡住的终端好几个小时。然后我发现tqdm……

这个小工具不仅能提供进度条，还能让你保持理智。用它来循环就像在黑暗的房间里按电灯开关一样。

from tqdm import tqdmimport timefor _ in tqdm(range(100)):    time.sleep(0.05)  # 模拟缓慢工作

我不用再猜测代码是否“卡住了”，而是可以清楚地看到它到底在哪里。这听起来可能有点小题大做，但相信我，这样的清晰思路可以让你继续写代码，而不是愤怒地放弃。

2. Joblib：轻松并行

我曾经为了“加快速度”，把同一个循环复制粘贴到多个脚本里。剧透一下：这根本没用。Python 真正的并行性吓到我了，线程、进程、GIL，所有这些术语。

然后我偶然发现了joblib。突然间，并行处理只差一行代码了。

from joblib import Parallel, delayeddefsquare(n):return n * nresults = Parallel(n_jobs=4)(delayed(square)(i) for i in range(10))print(results)

无需复杂的设置，无需重新设计多处理机制。只需更快、更高效地执行即可。这感觉像是在作弊，但却是最好的方式。

3. Pathlib：清理我的文件混乱

我的旧脚本简直就是"./folder//subfolder\\file.txt"噩梦。到处都是字符串，有一半都坏了，具体情况取决于操作系统。

然后我pathlib像清洁工一样进来了。我没有使用字符串 hack，而是开始将路径视为一等对象。

from pathlib import Pathfolder = Path("data") / "inputs"for file in folder.glob("*.txt"):    print(file.name)

可读性强，可靠性高，而且不再有“斜杠和反斜杠”的麻烦。我一度怀疑自己为什么没早点学这个。

4. Cachetools：杜绝重复错误

我项目中的一个函数总是反复发出相同的 API 请求，像汽油一样消耗着请求速率限制。解决办法是什么？缓存。

输入cachetools，一个允许你仅使用装饰器来缓存函数调用的库。

from cachetools import cached, TTLCacheimport requestscache = TTLCache(maxsize=100, ttl=300)@cached(cache)defget_data(url):return requests.get(url).json()

现在，如果函数被调用时传入相同的参数，它只会返回缓存的结果，而不会对服务器进行任何攻击。我的代码不再向 API 发送垃圾信息，我也不再担心被封禁了。

5. Hydra：当配置失控时

以前，我的项目有三个配置文件，几十个硬编码常量，一半的 bug 都源于我忘记了在哪里定义了某些东西。Hydra 改变了这一切。

Hydra 让你可以像专业人士一样管理配置，并且其覆盖方式不像胶带那样。

import hydrafrom omegaconf import DictConfig@hydra.main(version_base=None, config_path=".", config_name="config")defmain(cfg: DictConfig):    print(cfg.database.url)if __name__ == "__main__":    main()

突然之间，我不再需要在十个文件中寻找值了。一切都模块化了，简洁明了，而且易于覆盖。感觉就像从凌乱的宿舍搬到了一个真正有存储空间的地方。

写作最后

这些库不仅修复了 bug，还改变了我对项目的思考方式。每一个库都为我实现自动化和扩展的方式带来了细微却强大的提升。

不要等到你的代码库变得非常糟糕才去学习这些工具。尽早将它们融入你的工作流程，它们能帮你免去日后的烦恼。

内容转自数据STUDIO，侵删

文末阅读福利

仅目前来说，无论是运维人转型提升，还是零基础想转行IT，最好的岗位就是云计算运维&SRE岗位。