Vor-, Nachteile und Gefahren von PyLint
Holen Sie das Beste aus PyLint heraus.
Klopf an die Tafel: PyLint ist eigentlich ziemlich gut!
„PyLint kann Ihr Leben retten“ ist übertrieben, aber nicht so übertrieben, wie Sie vielleicht denken. PyLint kann Sie vor sehr schwer zu findenden und komplexen Fehlern bewahren. Im schlimmsten Fall spart es nur Testlaufzeit. Im besten Fall hilft es Ihnen, komplexe Fehler in der Produktion zu vermeiden.
Vorteile
Es ist mir peinlich zu sagen, wie häufig das vorkommt. Testnamen sind immer so seltsam: Der Name interessiert niemanden und oft lässt sich kein natürlicher Name finden. Zum Beispiel der folgende Code:
def test_add_small():# Math, am I right?assert 1 + 1 == 3def test_add_large():assert 5 + 6 == 11def test_add_small():assert 1 + 10 == 11
Der Test wird wirksam:
collected 2 items test.py .. 2 passed
Aber hier ist die Sache: Wenn Sie den Namen eines Tests überschreiben, überspringt das Test-Framework den Test problemlos!
In Wirklichkeit können diese Dateien Hunderte von Zeilen enthalten und die Person, die den neuen Test hinzufügt, kennt möglicherweise nicht alle Namen. Alles sieht gut aus, bis man sich die Testausgabe genauer ansieht.
Das Schlimmste daran ist, dass die Hinzufügung abgedeckter Tests, der durch abgedeckte Tests verursachte Schaden und Welleneffekte Tage, Monate oder sogar Jahre dauern kann, bis man sie entdeckt.
PyLint wird es finden
Wie ein guter Freund kann PyLint Ihnen helfen.
test.py:8:0: E0102: function already defined line 1 (function-redefined)
Nachteile
Genau wie in der Sitcom der 90er Jahre: Je mehr Sie über PyLint erfahren, desto mehr Fragen erhalten Sie. Hier ist der reguläre Code für ein Aktienmodellierungsprogramm:
"""Inventory abstractions"""import attrs@attrs.defineclass Laptop:"""A laptop"""ident: strcpu: str
Aber PyLint scheint seine eigenen Meinungen zu haben (wahrscheinlich in den 90er Jahren gebildet) und scheut sich nicht, sie als Tatsachen darzustellen:
$ pylint laptop.py | sed -n '/^laptop/s/[^ ]*: //p'R0903: Too few public methods (0/2) (too-few-public-methods)
Gefahren
Haben Sie jemals darüber nachgedacht? in a Ihre eigenen unbegründeten Meinungen zu einem Tool hinzufügen, das von Millionen verwendet wird? PyLint hat 12 Millionen Downloads pro Monat.
„Wenn Sie zu wählerisch sind, werden die Leute die Prüfung stornieren“ – Dies ist das PyLint-GitHub-Problem 6987, das am 3. Juli 2022 angesprochen wurde.
Es ist die Einstellung zum Hinzufügen eines Tests, der viele falsch positive Ergebnisse liefern kann. Hmm“.
Lassen Sie es für sich arbeiten
PyLint ist großartig, aber Sie müssen damit vorsichtig sein. Damit PyLint für Sie funktioniert, empfehle ich die folgenden drei Dinge:
1. Feste Version
Pinnen Sie die PyLint-Version, die Sie verwenden, um Überraschungen zu vermeiden!
Definieren Sie in Ihrer .toml
Datei:
[project.optional-dependencies]pylint = ["pylint"]
Definieren Sie im Code:
from unittest import mock
Dies entspricht dem folgenden Code:
# noxfile.py...@nox.session(python=VERSIONS[-1])def refresh_deps(session):"""Refresh the requirements-*.txt files"""session.install("pip-tools")for deps in [..., "pylint"]:session.run("pip-compile","--extra",deps,"pyproject.toml","--output-file",f"requirements-{deps}.txt",)
2. Standardmäßig deaktivieren
Deaktivieren Sie alle Prüfungen und aktivieren Sie dann diejenigen, von denen Sie glauben, dass sie falsch positiv sind Rate Hoch. (Nicht nur das Falsch-Negativ/Falsch-Positiv-Verhältnis!)
# noxfile.py...@nox.session(python="3.10")def lint(session):files = ["src/", "noxfile.py"]session.install("-r", "requirements-pylint.txt")session.install("-e", ".")session.run("pylint","--disable=all",*(f"--enable={checker}" for checker in checkers)"src",)
3. Checker
Hier sind die Checker, die ich mag. Verbessern Sie die Projektkonsistenz und vermeiden Sie offensichtliche Fehler.
checkers = ["missing-class-docstring","missing-function-docstring","missing-module-docstring","function-redefined",]
PyLint verwenden
Sie können PyLint nur für die guten Teile verwenden. Führen Sie es aus Gründen der Konsistenz in CI aus und verwenden Sie gängige Prüfprogramme.
Lassen Sie den schlechten Teil weg: Die Prüfung ist standardmäßig deaktiviert.
Gefährliche Teile vermeiden: Feste Version, um Überraschungen zu vermeiden.
Das obige ist der detaillierte Inhalt vonVor-, Nachteile und Gefahren von PyLint. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen

Dieses Tutorial zeigt, wie man Python verwendet, um das statistische Konzept des Zipf -Gesetzes zu verarbeiten, und zeigt die Effizienz des Lesens und Sortierens großer Textdateien von Python bei der Bearbeitung des Gesetzes. Möglicherweise fragen Sie sich, was der Begriff ZiPF -Verteilung bedeutet. Um diesen Begriff zu verstehen, müssen wir zunächst das Zipf -Gesetz definieren. Mach dir keine Sorgen, ich werde versuchen, die Anweisungen zu vereinfachen. Zipf -Gesetz Das Zipf -Gesetz bedeutet einfach: In einem großen natürlichen Sprachkorpus erscheinen die am häufigsten vorkommenden Wörter ungefähr doppelt so häufig wie die zweiten häufigen Wörter, dreimal wie die dritten häufigen Wörter, viermal wie die vierten häufigen Wörter und so weiter. Schauen wir uns ein Beispiel an. Wenn Sie sich den Brown Corpus in amerikanischem Englisch ansehen, werden Sie feststellen, dass das häufigste Wort "Th ist

In diesem Artikel wird erklärt, wie man schöne Suppe, eine Python -Bibliothek, verwendet, um HTML zu analysieren. Es beschreibt gemeinsame Methoden wie find (), find_all (), select () und get_text () für die Datenextraktion, die Behandlung verschiedener HTML -Strukturen und -Anternativen (SEL)

Der Umgang mit lauten Bildern ist ein häufiges Problem, insbesondere bei Mobiltelefonen oder mit geringen Auflösungskamera-Fotos. In diesem Tutorial wird die Bildfilterungstechniken in Python unter Verwendung von OpenCV untersucht, um dieses Problem anzugehen. Bildfilterung: Ein leistungsfähiges Werkzeug Bildfilter

PDF-Dateien sind für ihre plattformübergreifende Kompatibilität beliebt, wobei Inhalte und Layout für Betriebssysteme, Lesegeräte und Software konsistent sind. Im Gegensatz zu Python Processing -Klartextdateien sind PDF -Dateien jedoch binäre Dateien mit komplexeren Strukturen und enthalten Elemente wie Schriftarten, Farben und Bilder. Glücklicherweise ist es nicht schwierig, PDF -Dateien mit Pythons externen Modulen zu verarbeiten. In diesem Artikel wird das PYPDF2 -Modul verwendet, um zu demonstrieren, wie Sie eine PDF -Datei öffnen, eine Seite ausdrucken und Text extrahieren. Die Erstellung und Bearbeitung von PDF -Dateien finden Sie in einem weiteren Tutorial von mir. Vorbereitung Der Kern liegt in der Verwendung von externem Modul PYPDF2. Installieren Sie es zunächst mit PIP: pip ist p

Dieses Tutorial zeigt, wie man Redis Caching nutzt, um die Leistung von Python -Anwendungen zu steigern, insbesondere innerhalb eines Django -Frameworks. Wir werden Redis -Installation, Django -Konfiguration und Leistungsvergleiche abdecken, um den Vorteil hervorzuheben

Dieser Artikel vergleicht TensorFlow und Pytorch für Deep Learning. Es beschreibt die beteiligten Schritte: Datenvorbereitung, Modellbildung, Schulung, Bewertung und Bereitstellung. Wichtige Unterschiede zwischen den Frameworks, insbesondere bezüglich des rechnerischen Graps

Dieses Tutorial zeigt, dass eine benutzerdefinierte Pipeline -Datenstruktur in Python 3 erstellt wird, wobei Klassen und Bedienerüberladungen für verbesserte Funktionen genutzt werden. Die Flexibilität der Pipeline liegt in ihrer Fähigkeit, eine Reihe von Funktionen auf einen Datensatz GE anzuwenden

Python, ein Favorit für Datenwissenschaft und Verarbeitung, bietet ein reichhaltiges Ökosystem für Hochleistungs-Computing. Die parallele Programmierung in Python stellt jedoch einzigartige Herausforderungen dar. Dieses Tutorial untersucht diese Herausforderungen und konzentriert sich auf die globale Interprete
