4、Python基础速通（下）：函数定义与参数、文件读写操作、异常处理机制、模块与包管理

好，咱们接着聊。上一节我们把Python的底子打牢了，这一节要讲的东西，才是真正让你从「写脚本」变成「写工具」的关键。

函数、文件、异常、模块——这四个东西，说白了就是Python的「四肢」。你光有语法这个大脑不行，得学会怎么组织代码、怎么跟外部交互、怎么处理意外、怎么复用别人的轮子。我刚开始写自动化脚本那会儿，就是吃了不懂模块化的亏，一个脚本上千行，改个参数得翻半天……嗯，后来才明白，好的代码是「搭积木」，不是「糊水泥」。

4.1 函数定义与参数：把重复劳动交给机器

函数是什么？说白了就是「把一段逻辑包起来，起个名字，随叫随到」。我个人的习惯是：只要一段代码出现两次以上，我就把它写成函数。别嫌麻烦，这是运维脚本的命根子。

4.1.1 基本定义与调用

Python用def关键字定义函数，简单直接。你想想看，没有函数的世界多可怕——每次都要把同样的逻辑写一遍，改一个地方得改所有地方。

def check_disk_usage(threshold=80):
    """检查磁盘使用率，超过阈值返回告警"""
    import psutil
    usage = psutil.disk_usage('/').percent
    if usage > threshold:
        return f"告警：磁盘使用率已达 {usage}%"
    return f"正常：当前使用率 {usage}%"

4.1.2 参数类型详解

Python的参数系统很灵活，但也容易让人迷糊。我把它分成四类，你记住就行：

参数类型	写法示例	说明
必选参数	def func(a, b)	调用时必须按顺序传入
默认参数	def func(a, b=10)	不传就用默认值，传了就覆盖
可变参数	def func(*args)	接收任意多个参数，打包成元组
关键字参数	def func(**kwargs)	接收任意多个key=value，打包成字典

举个例子，我在写日志收集脚本时经常这么用：

def log_collector(server_ip, *ports, **options):
    print(f"目标服务器：{server_ip}")
    print(f"监控端口：{ports}")
    if options.get('timeout'):
        print(f"超时设置：{options['timeout']}秒")
    # 实际逻辑省略...

# 调用方式很灵活
log_collector('192.168.1.100', 80, 443, 3306, timeout=30)

4.2 文件读写操作：和操作系统打交道

运维脚本最常干的事是什么？读日志、写配置、处理数据。文件操作就是你的「手」，得用得溜。

4.2.1 打开文件的正确姿势

Python内置的open()函数是基础，但我强烈建议你用with语句。为什么？因为with会自动帮你关闭文件，不用操心资源泄漏的问题。

# 不推荐的方式（容易忘关文件）
f = open('/var/log/syslog', 'r')
content = f.read()
f.close()  # 万一这行忘了呢？

# 推荐的方式（自动关闭）
with open('/var/log/syslog', 'r', encoding='utf-8') as f:
    content = f.read()
# 出了with块，文件自动关闭

4.2.2 读写模式一览

模式这东西，记不住没关系，记住常用的几个就行：

• 'r' — 只读模式，文件必须存在
• 'w' — 写入模式，文件存在则覆盖，不存在则创建
• 'a' — 追加模式，在文件末尾添加内容
• 'rb' / 'wb' — 二进制模式，处理图片、压缩包等

4.2.3 实战：逐行读取大文件

运维日志动不动就几个G，你敢用read()一次性读完？内存直接爆炸。正确的做法是逐行读取：

def grep_log(log_path, keyword):
    """在日志文件中搜索关键字，返回匹配行"""
    matches = []
    with open(log_path, 'r', encoding='utf-8') as f:
        for line in f:  # 逐行读取，不占内存
            if keyword in line:
                matches.append(line.strip())
    return matches

# 使用示例
result = grep_log('/var/log/nginx/access.log', '500')
print(f"找到 {len(result)} 条500错误")

4.3 异常处理机制：让脚本学会「扛揍」

脚本跑着跑着突然崩了，这种事你肯定遇到过。异常处理就是给你的脚本穿上「防弹衣」——不是不让它出错，而是出错后能优雅地处理，而不是直接崩溃。

4.3.1 try-except 的基本结构

Python的异常处理很直观：你试着干一件事，如果出错了，就按你指定的方式处理。

try:
    # 可能会出错的代码
    result = 10 / 0
except ZeroDivisionError:
    # 捕获特定异常
    print("除数不能为0！")
except Exception as e:
    # 捕获其他所有异常（但不推荐滥用）
    print(f"发生了未知错误：{e}")
else:
    # 没有异常时执行
    print("计算成功")
finally:
    # 不管有没有异常，都会执行
    print("清理工作完成")

4.3.2 自定义异常与主动抛出

有时候你需要主动告诉调用者：「这里出问题了」。用raise就可以：

class ConfigError(Exception):
    """自定义配置异常"""
    pass

def load_config(file_path):
    if not os.path.exists(file_path):
        raise ConfigError(f"配置文件 {file_path} 不存在")
    # 正常加载逻辑...

我曾经写过一个自动化部署脚本，就是因为没有做异常处理，结果某次配置文件格式错了，脚本直接崩溃，导致线上服务中断了10分钟……从那以后，我每条可能出错的代码都加了try-except。

4.4 模块与包管理：站在巨人的肩膀上

Python最强大的地方之一，就是它的生态。你不需要重复造轮子，别人已经写好了各种功能模块，你直接拿来用就行。

4.4.1 import 的几种方式

导入模块，说白了就是告诉Python：「我要用这个工具箱」。方式有几种：

# 方式1：导入整个模块
import os
print(os.getcwd())

# 方式2：导入特定函数（推荐，减少命名冲突）
from os import getcwd, listdir
print(getcwd())

# 方式3：起别名（处理长名字）
import pandas as pd
import numpy as np

# 方式4：导入所有（不推荐，容易覆盖变量）
# from os import *  # 慎用！

4.4.2 包的结构与创建

当你的脚本越来越多，就需要用「包」来组织。包其实就是一个包含__init__.py文件的目录：

my_tools/                  # 这是一个包
    __init__.py            # 包初始化文件（可以为空）
    network.py             # 网络相关函数
    disk.py                # 磁盘相关函数
    log_utils.py           # 日志工具函数

然后在其他脚本中就可以这样导入：

from my_tools.network import check_port
from my_tools.disk import get_disk_usage

4.4.3 pip 包管理

安装第三方库，用pip就够了。我个人建议你养成一个好习惯：每个项目都创建虚拟环境，避免包版本冲突。

# 创建虚拟环境
python -m venv myenv

# 激活虚拟环境（Linux/Mac）
source myenv/bin/activate

# 激活虚拟环境（Windows）
myenv\Scripts\activate

# 安装包
pip install requests paramiko

# 导出依赖清单
pip freeze > requirements.txt

# 别人拿到项目后一键安装
pip install -r requirements.txt

小结

这一节的内容，说白了就是让你从「写单行脚本」升级到「写可维护的工具」。函数让代码可复用，文件操作让脚本能读写数据，异常处理让脚本更健壮，模块管理让代码更清晰。

我个人觉得，这四个技能里，最容易被忽视的是异常处理。很多新手觉得「我的脚本不会出错」，但现实是——网络会断、磁盘会满、配置文件会格式错误。给脚本穿上防弹衣，是对自己负责，也是对线上环境负责。

---

公众号:蓝海资料掘金营，微信deep3321