Pyright中`divmod`与重载`__divmod__`的类型检查问题解析
2025-05-16 16:09:07作者:邬祺芯Juliet
在Python类型检查器Pyright中,当使用divmod函数与重载了__divmod__方法的类时,可能会遇到类型检查错误。本文将深入分析这一问题的技术背景、产生原因以及解决方案。
问题现象
当开发者定义一个类并重载其__divmod__方法时,Pyright可能会错误地报告类型不匹配。例如:
class A:
@overload
def __divmod__(self, x: Self) -> tuple[Self, Self]: ...
@overload
def __divmod__(self, x: int) -> tuple[int, int]: ...
# 实现略...
reveal_type(divmod(A(), 1)) # Pyright报错,而mypy正确推断为tuple[int, int]
技术背景
1. divmod的类型定义
在Python的类型存根文件中,divmod被定义为两个重载:
@overload
def divmod(x: SupportsDivMod[_T1, _T2], y: _T1) -> _T2: ...
@overload
def divmod(x: _T1, y: SupportsRDivMod[_T1, _T2]) -> _T2: ...
2. 协议匹配机制
Pyright在匹配SupportsDivMod协议时,需要确定类型参数_T1和_T2的约束。当__divmod__方法被重载时,类型检查器需要选择哪个重载签名用于约束求解。
问题根源
1. 重载处理的局限性
当前Pyright在处理重载方法时,会使用第一个可分配的重载签名进行约束求解。这导致在某些情况下无法正确推断类型。
2. 约束求解的复杂性
当尝试同时考虑所有重载签名时,会产生相互矛盾的约束条件:
T1 <= Self
T2 >= tuple[Self, Self]
T1 <= int
T2 >= tuple[int, int]
这导致T1无法找到有效解,因为Self和int没有交集。
解决方案
1. Pyright的改进
Pyright 1.1.394版本引入了"约束集"机制,能够处理协议匹配中的重载方法。该机制会尝试多个独立的约束集,从而更准确地推断类型。
2. 开发者应对策略
虽然Pyright已经改进,但开发者仍可采取以下策略确保代码兼容性:
- 将更常用的重载签名放在前面
- 避免在重载中使用完全不兼容的类型
- 考虑使用类型映射(type-mapping)等高级类型特性
技术展望
未来Python类型系统可能会引入更强大的类型映射机制,如:
case type DivmodResult[T: A] = tuple[T, T]
case type DivmodResult[_: int] = tuple[int, int]
这将从根本上解决重载方法在协议匹配中的类型推断问题。
总结
Pyright对divmod和重载__divmod__的类型检查问题反映了静态类型系统中协议匹配和重载处理的复杂性。通过理解这些机制的工作原理,开发者可以编写出更健壮的类型注解代码,而类型检查器的持续改进也将不断提升开发体验。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
最新内容推荐
海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 VSdebugChkMatch.exe:专业PDB签名匹配工具全面解析与使用指南 ZLIB 1.3 静态库 Windows x64 版本:高效数据压缩解决方案完全指南 Adobe Acrobat XI Pro PDF拼版插件:提升排版效率的专业利器 32位ECC纠错Verilog代码:提升FPGA系统可靠性的关键技术方案 谷歌浏览器跨域插件Allow-Control-Allow-Origin:前端开发调试必备神器 Python案例资源下载 - 从入门到精通的完整项目代码合集 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 深入解析Windows内核模式驱动管理器:系统驱动管理的终极利器
项目优选
收起
deepin linux kernel
C
24
9
暂无简介
Dart
664
152
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
659
299
Ascend Extension for PyTorch
Python
216
236
React Native鸿蒙化仓库
JavaScript
255
320
仓颉编译器源码及 cjdb 调试工具。
C++
133
866
仓颉编程语言运行时与标准库。
Cangjie
140
875
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.18 K
649
仓颉编程语言开发者文档。
59
818