Loguru库中logger.catch装饰器的异常处理技巧
2025-05-10 09:04:57作者:殷蕙予
概述
Loguru是一个功能强大的Python日志库,其中logger.catch装饰器是一个非常实用的异常捕获工具。本文将深入探讨如何合理使用这个装饰器来处理不同类型的异常情况。
logger.catch的基本用法
logger.catch装饰器可以自动捕获函数中抛出的异常,并记录详细的错误信息,包括变量值、堆栈跟踪等。基本用法如下:
@logger.catch()
def my_function():
# 函数代码
异常处理的进阶技巧
在实际开发中,我们经常需要区分处理不同类型的异常。Loguru提供了exclude参数,可以指定不需要捕获的异常类型。
排除特定异常
@logger.catch(exclude=FileNotFoundError)
def get_existing_file_path(fileName: str):
# 函数代码
这种用法特别适合以下场景:
- 函数内部可能抛出多种异常
- 某些异常已经在外层有明确的处理逻辑
- 只需要记录未明确处理的异常
实际应用示例
让我们看一个完整的示例,展示如何结合try-except和logger.catch:
from loguru import logger
import os
@logger.catch(exclude=FileNotFoundError)
def get_existing_file_path(fileName: str) -> str:
"""检查文件是否存在并返回绝对路径"""
assert isinstance(fileName, str)
absf = os.path.abspath(fileName)
if os.path.isfile(absf):
return absf
else:
raise FileNotFoundError(f"{absf} file not found")
try:
get_existing_file_path("test.txt")
except FileNotFoundError:
logger.warning("文件不存在,将创建新文件")
最佳实践建议
- 明确异常处理层级:在外层能处理的异常,尽量使用exclude排除
- 保留关键调试信息:对于未预期的异常,确保logger.catch能记录足够信息
- 合理使用reraise:需要重新抛出异常时,可以结合reraise=True参数
- 性能考量:异常处理会增加开销,只在必要时使用装饰器
总结
Loguru的logger.catch装饰器提供了强大的异常捕获和日志记录能力。通过合理使用exclude参数,我们可以实现精细化的异常处理策略,既能捕获未预期的错误,又能避免重复记录已处理的异常信息。掌握这些技巧可以显著提升代码的健壮性和可维护性。
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
STM32到GD32项目移植完全指南:从兼容性到实战技巧 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 开源电子设计自动化利器:KiCad EDA全方位使用指南 网页设计期末大作业资源包 - 一站式解决方案助力高效完成项目 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 Adobe Acrobat XI Pro PDF拼版插件:提升排版效率的专业利器 MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 ONVIF设备模拟器:开发测试必备的智能安防仿真工具
项目优选
收起
deepin linux kernel
C
24
9
暂无简介
Dart
669
155
Ascend Extension for PyTorch
Python
219
236
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
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++
660
308
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.81 K
React Native鸿蒙化仓库
JavaScript
259
322
🎉 (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
1.19 K
654
仓颉编程语言运行时与标准库。
Cangjie
141
878