10个“翻车”的自动化挑战前言教程教会你写代码而挑战教会你“生存”我至今仍清晰地记得我的第一个脚本“失控”的那一天。它本应去执行那所谓的一次性任务, 然而竟陷入了无尽的循环之中。并非那种“运行完就退出”的情况, 而恰恰相反, 是不断地持续运行, 且当中涉及到日志的记录、任务的调度以及文件的发送这些方面。最初赋予它的意愿不过是打扫清理我的桌面罢了, 可最终的结果却是愈发严重, 把所有的文件都给删除掉了, 甚至连它自身的日志文件也一并被删除了。那一刻, 我像被突然浇灌下一碗醍醐般地察觉到, 教程以及书籍, 仅仅能够教会你怎样“写”出代码, 它们所呈现的是毫无瑕疵、循规蹈矩的理想流程, 然而现实世界之中的开发工作, 要比这复杂很多。那些着实能使你成长的, 是那些令你内心充满惊惧感的“挑战, 把教会你怎样于诸多程序错误、无尽循环、资源枯竭以及意外状况之中进行“生存”的珍贵的经验, 给了你。以往的几年当中, 我亲手构建的项目历经了各类“惨状”: 存在崩溃的情况, 存在无限循环的情形, 存在瞬间占满CPU的状况, 甚至还有一回, 由于自动化配置出错, 一不小心将邮件发给了我的老板。可是, 恰恰是这些被称作“自动化事故”的情况, 并非那些顺利达成顺遂完成的简易练习, 使得我由此前仅会依照代码原样照抄照搬叫做“编码者”的人, 转变成为一个实实在在明白怎样“搭建构建出能够实际投入工作运行的系统”的称作“开发者”的人。接下来, 我要深度剖析, 这十个真切挑战, 对我有着极其深刻的影响。它们可不只是那些技术方面很难解决的问题, 更是在一些关键时候, 教会我系统思维, 教会我安全设计, 还教会我压力调试的。第一关来自地狱的自动化循环——备份吞噬硬盘事件问题回顾我撰写了一个脚本, 其目的乃是致使每小时自动对我的项目文件夹予以备份。刚开始运行的时候极为完美。然而不久之后, 一个足以致命的逻辑漏洞露了出来: 它居然开始备份自身所创建的备份文件。“翻车”代码片段简化版import shutil, os # 核心逻辑遍历“projects”目录下的所有文件夹 for folder in os.listdir(projects): # 错误判断只要文件夹名字中不包含“backup”就进行备份操作 if backup not in folder: # 创建新的备份文件夹以 _backup 结尾 shutil.copytree(fprojects/{folder}, fprojects/{folder}_backup)在脚本头一回运行之际, 它进行了备份操作, 而后创建了相关内容。在脚本第二次开展运行之时, 它察觉到文件夹名里并不涵盖特定内容着重说明: 乃是备份文件夹自身被创建而成, 然而脚本的逻辑旨在对原始文件夹予以判断, 所以它会试着再度进行备份, 接着创建kup, 如此这般循环下去。很快, 原本仅有1GB容量的我的项目文件夹呀, 历经几次循环之后就大幅增长到了60GB。核心教训与安全原则这样的挑战使我领会到自动化脚本的首要准则, 那便是绝不要对自身未曾全然明白其潜在作用的操作予以自动化执行, 尤其是在关联到文件系统操作的情形下, 哪怕是极其细微的逻辑上的疏忽都极有可能引发具有灾难性的后果。专业给出的提示是, 要谨慎对待自动化这一情况。你与一个会让人铭记于心、印象深刻的生活教训相比, 说不定仅仅只缺少一行命令, 那一行特定的以.()递归删除目录组合而成形态的命令。第二关: 指向API接口的那种沉默, 被拒绝的请求, 还有401错误, 对这些进行问题回顾。我头一回试着去连接外部API的时候, 当时我满心觉得这会如同魔法那般顺畅无阻, 然而残酷难堪的现实却摆在眼前, 我接收到了数额多得数都数不清楚的401错误也就是未授权, 还有乱七八糟破碎了的JSON数据。核心教训与交互原则花费了漫长时间去排查后, 我终于领会了一条真谛: API自身一般不存在问题, 存在问题的乃是你所发出的请求。API从根本意义上来说是另外一种系统的接口处, 它具备自身特有的“语言”以及“礼仪”。正确请求示例import requests # 关键在于正确配置Authorization头使用Bearer Token headers {Authorization: fBearer {API_KEY}} response requests.get(https://api.example.com/data, headersheaders) print(response.status_code) # 只有收到 200 或 201 等成功代码才算成功第三关异步编程的陷阱——脚本永恒的“假死”问题回顾我曾经不加思索地觉得async关键字乃是提升脚本速度的绝对法宝, 所以我把所有的def函数通通都换成了async def, 还把循环操作一股脑儿全塞进到了.()里面。结果是我的整个脚本彻底挂起陷入了永久的等待。“看起来没问题”的代码import asyncio async def task(): print(Running task...) # 模拟异步等待 await asyncio.sleep(2) async def main(): # 并发运行两个任务 await asyncio.gather(task(), task()) asyncio.run(main())这段代码自身没有差错。然而差错出在了实际运用当中: 设若在async函数里面, 掺和进了含“阻塞性”的代码, 像是大量的I/O操作、 文件写进或者长时间运行的同步计算, 那么事件循环就会被卡死, 整个脚本就会无休止等待。核心教训与技术原则这个挑战让我明白了耐心有着怎样的重要性, 并且还让我知晓了更为关键的一桩事, 也就是要清楚什么时候不应当去运用async。第四关有这个内容, 清理5000份文件存在优雅的做法, 还要对相关部分加以回顾, 也就是要驯服文件系统中出现的混乱问题。那是一次针对旧笔记本电脑所进行的所谓 “大扫除”, 于那时来讲在当时它意味着此回事儿, 于我这边来说 而现在站在我这种立场之上体现为由5000多个涵盖PDF、截图、Zip压缩包之类的随机文件全都一股脑儿堆在一个文件夹里所构成的那般情况, 真正理解的能力是起始于对那些 “极其枯燥” 任务进行自动化处理的开端之时的。核心清理脚本我所编写的, 用于核心清理范畴的逻辑是这样的, 依据文件的扩展名, 自动去创建与之相对应的文件夹, 随后把文件移动至该文件夹之中。import os, shutil, time for file in os.listdir(downloads): # 提取文件扩展名并转为大写作为文件夹名 ext file.split(.)[-1] folder fdownloads/{ext.upper()} # 创建文件夹如果已存在则跳过 (exist_okTrue) os.makedirs(folder, exist_okTrue) # 移动文件 shutil.move(fdownloads/{file}, f{folder}/{file}) # 增加微小延迟避免文件系统负担过重 time.sleep(0.05)核心教训与实践经验瞅着这五千个文件, 纷纷“飞”入它们各自所属的文件夹之中, 那般成就感实属无可比拟。然而此次经历的核心价值在于:被自己的那个“提醒机器人”发送垃圾邮件, 这是第五关, 循环失控所带来的代价问题需要回顾。我曾经运用相关方式搭建起来一个用作发送任务通知的“提醒机器人”, 其一开始运转表现得是极为出色的, 一直流转到有那么一天早晨睡醒过来, 我接收到了一百二十七封源自于我本身的尚未阅览的邮件。“翻车”代码片段邮件发送核心import smtplib msg Subject: Reminder\n\nDont forget to commit your code! server smtplib.SMTP(smtp.gmail.com, 587) server.starttls() server.login(megmail.com, password) # 硬编码的密码是第二个大错误 server.sendmail(megmail.com, megmail.com, msg)我最为严重的失误之处在于, 忘却了去限定脚本的运行频率啦。任务调度器被设定成每分钟触发一回, 致使我的收件箱刹那间被淹没掉了。核心教训与安全原则这是一个双重教训循环若不受控, 绝不可让其掌控你的收件箱。自动化脚本, 只要涉及外部通信, 也就是邮件、短信、API 调用这些, 就必须配备频率限制、运行日志以及退出机制。安全至关重要: 密码和敏感信息, 千万永远都别硬编码。正确的做法是通过使用环境变量去存储并加载 API 密钥、密码等敏感配置。用摧毁我的电脑来回顾大数据的内存陷阱问题, 这是第六关: 。数据的分析是极为有意思的, 一直到你不经意间试着把一个有着4GB大小的CSV文件一下子全塞到内存里去。我的那台笔记本电脑在运行数据分析代码之际, CPU和内存瞬间就被占满了, 简直差点就“冒烟”。新手常犯的错误import pandas as pd # Pandas默认会尝试将整个文件加载到内存中 df pd.read_csv(massive_data.csv) print(df.head())那个时候, 我并不晓得, 它默认进行的操作, 会把全部数据都加载至电脑的RAM, 也就是内存里。针对大型文件而言, 如此这般, 会直接让系统资源被耗尽。核心教训与优化原则这一次经历让我明白了处理大数据的正确姿势正确分块处理示例for chunk in pd.read_csv(massive_data.csv, chunksize10000): # 对每 10000 行的数据块进行独立处理 process(chunk)第七关自动化无聊报告的救赎——解放你的脑力问题回顾我对每日从Excel表格里复制粘贴数据, 之后手动填入电子邮件里的行为受够了。这样具有重复性的工作不但无趣, 而且极易出现差错。解决方案生成与发送报告我编写了一个脚本用于生成每日数据摘要并自动发送。import pandas as pd from datetime import date # 读取Excel数据 df pd.read_excel(sales.xlsx) # 按区域分组计算总收入摘要 summary df.groupby(Region)[Revenue].sum() print(fReport for {date.today()}:\n, summary) # 接下来我将它与Gmail API连接起来核心教训与价值体现这个挑战, 将自动化的核心价值, 进行了完美诠释: 重复性的任务, 是无聊的并且是昂贵的, 原因在于, 它占用了你宝贵的思考时间。第八个关卡: 机器学习遭遇的挫败——那被数据质量给击碎了的“预测”之梦, 问题回顾:满怀壮志地想凭借线性回归模型, 去对我的网站流量予以预测。然而, 结果恰似有一盆冰冷之水倾盆而下: 我的那个被称作“模型”的东西, 所预测出的访客数量为500名, 可实际呈现的数字却仅仅只有12个。示例模型代码from sklearn.linear_model import LinearRegression import numpy as np X np.array([1, 2, 3, 4, 5]).reshape(-1, 1) # 特征 y np.array([10, 15, 14, 20, 13]) # 目标值 model LinearRegression().fit(X, y) print(model.predict([[6]])) # 预测第6天的数据核心教训与认知转变这样惨痛的失败, 使我得以明白, 借助AI加以自动化, 所依靠的并非魔法, 乃是数据的质量以及前提假设。第九关, 日志变成了我赖以救命的稻草。关于隐形失败存在巨大风险的这个问题, 进行回顾:要在自动化任务“毫无声息地”宣告失败之后, 你方能够切实领会到日志记录所具有的价值。我往昔设置过一个用于备份我数据库的cron job, 然而它静悄悄地停止运行达整整三天之久。一直到我手动去检查文件夹的时候, 我才有了这样的发现: 它里面是空的。解决方案全覆盖日志记录从那以后我编写的每一个脚本都会记录下一切重要信息。import logging # 配置日志文件和记录级别 logging.basicConfig(filenamescript.log, levellogging.INFO) # 记录关键操作的结果 logging.info(Backup completed successfully.)核心的教训以及系统的设计, 第十关, 为自身构建工具, 从“练习”迈向“解决问题”从而实现飞跃, 这是真正的转折点。我开发生涯里, 真正的转变出现。这转变发生在, 我停下了为“练习”去写脚本的时候。并且, 是在我开始为“解决我自己实际问题”来写脚本的那一刻, 有了这般转变。我开始构建一系列解决我个人工作流的工具有着追踪我屏幕使用时间功能的一个命令行工具, 一个能对文件进行批量重命名的工具, 一个靠分析我自身Git提交记录来找出我生产力模式的有着这一用途分析的脚本, 关于Git提交分析那儿有着那脚本片段。import subprocess # 执行 Git 命令获取单行提交记录 commits subprocess.check_output([git, log, --oneline]).decode(utf-8) # 统计提交数量 print(fYou made {len(commits.splitlines())} commits this month.)核心的教训, 以及开发者的心态, 进行终极的思考, 真正的开发者并非是那种写出完美代码的人。我曾以为, “真正的开发者”是这般的人, 他们能写出毫无瑕疵的代码, 能写出一次运行便永远不会崩溃的代码。现在我明白这种想法是错误的。真正算得上开发者的, 是那些当系统出现崩溃状况之际, 能够以比其他任何人都迅速的速度恢复并修复相关问题的人。经历每一回失败的脚本, 尝到每一回资源耗尽的崩溃这都教会了我那些于任何教程当中都没办法学到的东西:所以, 要是你实实在在希望变成一名更为出色的开发者, 那就别再去追寻那些所谓“完美的”练习项目。恰恰相反, 去寻觅你身旁真切的、让人头疼不已的问题。去把一些东西打破。而后, 去将它们修复。最后, 把修复的流程实现自动化处理。这便是你借助一回又一回的系统奔溃, 达成自我提升、越过新手界限的仅有路径。
10个“翻车”的Python自动化挑战
10个“翻车”的自动化挑战前言教程教会你写代码而挑战教会你“生存”我至今仍清晰地记得我的第一个脚本“失控”的那一天。它本应去执行那所谓的一次性任务, 然而竟陷入了无尽的循环之中。并非那种“运行完就退出”的情况, 而恰恰相反, 是不断地持续运行, 且当中涉及到日志的记录、任务的调度以及文件的发送这些方面。最初赋予它的意愿不过是打扫清理我的桌面罢了, 可最终的结果却是愈发严重, 把所有的文件都给删除掉了, 甚至连它自身的日志文件也一并被删除了。那一刻, 我像被突然浇灌下一碗醍醐般地察觉到, 教程以及书籍, 仅仅能够教会你怎样“写”出代码, 它们所呈现的是毫无瑕疵、循规蹈矩的理想流程, 然而现实世界之中的开发工作, 要比这复杂很多。那些着实能使你成长的, 是那些令你内心充满惊惧感的“挑战, 把教会你怎样于诸多程序错误、无尽循环、资源枯竭以及意外状况之中进行“生存”的珍贵的经验, 给了你。以往的几年当中, 我亲手构建的项目历经了各类“惨状”: 存在崩溃的情况, 存在无限循环的情形, 存在瞬间占满CPU的状况, 甚至还有一回, 由于自动化配置出错, 一不小心将邮件发给了我的老板。可是, 恰恰是这些被称作“自动化事故”的情况, 并非那些顺利达成顺遂完成的简易练习, 使得我由此前仅会依照代码原样照抄照搬叫做“编码者”的人, 转变成为一个实实在在明白怎样“搭建构建出能够实际投入工作运行的系统”的称作“开发者”的人。接下来, 我要深度剖析, 这十个真切挑战, 对我有着极其深刻的影响。它们可不只是那些技术方面很难解决的问题, 更是在一些关键时候, 教会我系统思维, 教会我安全设计, 还教会我压力调试的。第一关来自地狱的自动化循环——备份吞噬硬盘事件问题回顾我撰写了一个脚本, 其目的乃是致使每小时自动对我的项目文件夹予以备份。刚开始运行的时候极为完美。然而不久之后, 一个足以致命的逻辑漏洞露了出来: 它居然开始备份自身所创建的备份文件。“翻车”代码片段简化版import shutil, os # 核心逻辑遍历“projects”目录下的所有文件夹 for folder in os.listdir(projects): # 错误判断只要文件夹名字中不包含“backup”就进行备份操作 if backup not in folder: # 创建新的备份文件夹以 _backup 结尾 shutil.copytree(fprojects/{folder}, fprojects/{folder}_backup)在脚本头一回运行之际, 它进行了备份操作, 而后创建了相关内容。在脚本第二次开展运行之时, 它察觉到文件夹名里并不涵盖特定内容着重说明: 乃是备份文件夹自身被创建而成, 然而脚本的逻辑旨在对原始文件夹予以判断, 所以它会试着再度进行备份, 接着创建kup, 如此这般循环下去。很快, 原本仅有1GB容量的我的项目文件夹呀, 历经几次循环之后就大幅增长到了60GB。核心教训与安全原则这样的挑战使我领会到自动化脚本的首要准则, 那便是绝不要对自身未曾全然明白其潜在作用的操作予以自动化执行, 尤其是在关联到文件系统操作的情形下, 哪怕是极其细微的逻辑上的疏忽都极有可能引发具有灾难性的后果。专业给出的提示是, 要谨慎对待自动化这一情况。你与一个会让人铭记于心、印象深刻的生活教训相比, 说不定仅仅只缺少一行命令, 那一行特定的以.()递归删除目录组合而成形态的命令。第二关: 指向API接口的那种沉默, 被拒绝的请求, 还有401错误, 对这些进行问题回顾。我头一回试着去连接外部API的时候, 当时我满心觉得这会如同魔法那般顺畅无阻, 然而残酷难堪的现实却摆在眼前, 我接收到了数额多得数都数不清楚的401错误也就是未授权, 还有乱七八糟破碎了的JSON数据。核心教训与交互原则花费了漫长时间去排查后, 我终于领会了一条真谛: API自身一般不存在问题, 存在问题的乃是你所发出的请求。API从根本意义上来说是另外一种系统的接口处, 它具备自身特有的“语言”以及“礼仪”。正确请求示例import requests # 关键在于正确配置Authorization头使用Bearer Token headers {Authorization: fBearer {API_KEY}} response requests.get(https://api.example.com/data, headersheaders) print(response.status_code) # 只有收到 200 或 201 等成功代码才算成功第三关异步编程的陷阱——脚本永恒的“假死”问题回顾我曾经不加思索地觉得async关键字乃是提升脚本速度的绝对法宝, 所以我把所有的def函数通通都换成了async def, 还把循环操作一股脑儿全塞进到了.()里面。结果是我的整个脚本彻底挂起陷入了永久的等待。“看起来没问题”的代码import asyncio async def task(): print(Running task...) # 模拟异步等待 await asyncio.sleep(2) async def main(): # 并发运行两个任务 await asyncio.gather(task(), task()) asyncio.run(main())这段代码自身没有差错。然而差错出在了实际运用当中: 设若在async函数里面, 掺和进了含“阻塞性”的代码, 像是大量的I/O操作、 文件写进或者长时间运行的同步计算, 那么事件循环就会被卡死, 整个脚本就会无休止等待。核心教训与技术原则这个挑战让我明白了耐心有着怎样的重要性, 并且还让我知晓了更为关键的一桩事, 也就是要清楚什么时候不应当去运用async。第四关有这个内容, 清理5000份文件存在优雅的做法, 还要对相关部分加以回顾, 也就是要驯服文件系统中出现的混乱问题。那是一次针对旧笔记本电脑所进行的所谓 “大扫除”, 于那时来讲在当时它意味着此回事儿, 于我这边来说 而现在站在我这种立场之上体现为由5000多个涵盖PDF、截图、Zip压缩包之类的随机文件全都一股脑儿堆在一个文件夹里所构成的那般情况, 真正理解的能力是起始于对那些 “极其枯燥” 任务进行自动化处理的开端之时的。核心清理脚本我所编写的, 用于核心清理范畴的逻辑是这样的, 依据文件的扩展名, 自动去创建与之相对应的文件夹, 随后把文件移动至该文件夹之中。import os, shutil, time for file in os.listdir(downloads): # 提取文件扩展名并转为大写作为文件夹名 ext file.split(.)[-1] folder fdownloads/{ext.upper()} # 创建文件夹如果已存在则跳过 (exist_okTrue) os.makedirs(folder, exist_okTrue) # 移动文件 shutil.move(fdownloads/{file}, f{folder}/{file}) # 增加微小延迟避免文件系统负担过重 time.sleep(0.05)核心教训与实践经验瞅着这五千个文件, 纷纷“飞”入它们各自所属的文件夹之中, 那般成就感实属无可比拟。然而此次经历的核心价值在于:被自己的那个“提醒机器人”发送垃圾邮件, 这是第五关, 循环失控所带来的代价问题需要回顾。我曾经运用相关方式搭建起来一个用作发送任务通知的“提醒机器人”, 其一开始运转表现得是极为出色的, 一直流转到有那么一天早晨睡醒过来, 我接收到了一百二十七封源自于我本身的尚未阅览的邮件。“翻车”代码片段邮件发送核心import smtplib msg Subject: Reminder\n\nDont forget to commit your code! server smtplib.SMTP(smtp.gmail.com, 587) server.starttls() server.login(megmail.com, password) # 硬编码的密码是第二个大错误 server.sendmail(megmail.com, megmail.com, msg)我最为严重的失误之处在于, 忘却了去限定脚本的运行频率啦。任务调度器被设定成每分钟触发一回, 致使我的收件箱刹那间被淹没掉了。核心教训与安全原则这是一个双重教训循环若不受控, 绝不可让其掌控你的收件箱。自动化脚本, 只要涉及外部通信, 也就是邮件、短信、API 调用这些, 就必须配备频率限制、运行日志以及退出机制。安全至关重要: 密码和敏感信息, 千万永远都别硬编码。正确的做法是通过使用环境变量去存储并加载 API 密钥、密码等敏感配置。用摧毁我的电脑来回顾大数据的内存陷阱问题, 这是第六关: 。数据的分析是极为有意思的, 一直到你不经意间试着把一个有着4GB大小的CSV文件一下子全塞到内存里去。我的那台笔记本电脑在运行数据分析代码之际, CPU和内存瞬间就被占满了, 简直差点就“冒烟”。新手常犯的错误import pandas as pd # Pandas默认会尝试将整个文件加载到内存中 df pd.read_csv(massive_data.csv) print(df.head())那个时候, 我并不晓得, 它默认进行的操作, 会把全部数据都加载至电脑的RAM, 也就是内存里。针对大型文件而言, 如此这般, 会直接让系统资源被耗尽。核心教训与优化原则这一次经历让我明白了处理大数据的正确姿势正确分块处理示例for chunk in pd.read_csv(massive_data.csv, chunksize10000): # 对每 10000 行的数据块进行独立处理 process(chunk)第七关自动化无聊报告的救赎——解放你的脑力问题回顾我对每日从Excel表格里复制粘贴数据, 之后手动填入电子邮件里的行为受够了。这样具有重复性的工作不但无趣, 而且极易出现差错。解决方案生成与发送报告我编写了一个脚本用于生成每日数据摘要并自动发送。import pandas as pd from datetime import date # 读取Excel数据 df pd.read_excel(sales.xlsx) # 按区域分组计算总收入摘要 summary df.groupby(Region)[Revenue].sum() print(fReport for {date.today()}:\n, summary) # 接下来我将它与Gmail API连接起来核心教训与价值体现这个挑战, 将自动化的核心价值, 进行了完美诠释: 重复性的任务, 是无聊的并且是昂贵的, 原因在于, 它占用了你宝贵的思考时间。第八个关卡: 机器学习遭遇的挫败——那被数据质量给击碎了的“预测”之梦, 问题回顾:满怀壮志地想凭借线性回归模型, 去对我的网站流量予以预测。然而, 结果恰似有一盆冰冷之水倾盆而下: 我的那个被称作“模型”的东西, 所预测出的访客数量为500名, 可实际呈现的数字却仅仅只有12个。示例模型代码from sklearn.linear_model import LinearRegression import numpy as np X np.array([1, 2, 3, 4, 5]).reshape(-1, 1) # 特征 y np.array([10, 15, 14, 20, 13]) # 目标值 model LinearRegression().fit(X, y) print(model.predict([[6]])) # 预测第6天的数据核心教训与认知转变这样惨痛的失败, 使我得以明白, 借助AI加以自动化, 所依靠的并非魔法, 乃是数据的质量以及前提假设。第九关, 日志变成了我赖以救命的稻草。关于隐形失败存在巨大风险的这个问题, 进行回顾:要在自动化任务“毫无声息地”宣告失败之后, 你方能够切实领会到日志记录所具有的价值。我往昔设置过一个用于备份我数据库的cron job, 然而它静悄悄地停止运行达整整三天之久。一直到我手动去检查文件夹的时候, 我才有了这样的发现: 它里面是空的。解决方案全覆盖日志记录从那以后我编写的每一个脚本都会记录下一切重要信息。import logging # 配置日志文件和记录级别 logging.basicConfig(filenamescript.log, levellogging.INFO) # 记录关键操作的结果 logging.info(Backup completed successfully.)核心的教训以及系统的设计, 第十关, 为自身构建工具, 从“练习”迈向“解决问题”从而实现飞跃, 这是真正的转折点。我开发生涯里, 真正的转变出现。这转变发生在, 我停下了为“练习”去写脚本的时候。并且, 是在我开始为“解决我自己实际问题”来写脚本的那一刻, 有了这般转变。我开始构建一系列解决我个人工作流的工具有着追踪我屏幕使用时间功能的一个命令行工具, 一个能对文件进行批量重命名的工具, 一个靠分析我自身Git提交记录来找出我生产力模式的有着这一用途分析的脚本, 关于Git提交分析那儿有着那脚本片段。import subprocess # 执行 Git 命令获取单行提交记录 commits subprocess.check_output([git, log, --oneline]).decode(utf-8) # 统计提交数量 print(fYou made {len(commits.splitlines())} commits this month.)核心的教训, 以及开发者的心态, 进行终极的思考, 真正的开发者并非是那种写出完美代码的人。我曾以为, “真正的开发者”是这般的人, 他们能写出毫无瑕疵的代码, 能写出一次运行便永远不会崩溃的代码。现在我明白这种想法是错误的。真正算得上开发者的, 是那些当系统出现崩溃状况之际, 能够以比其他任何人都迅速的速度恢复并修复相关问题的人。经历每一回失败的脚本, 尝到每一回资源耗尽的崩溃这都教会了我那些于任何教程当中都没办法学到的东西:所以, 要是你实实在在希望变成一名更为出色的开发者, 那就别再去追寻那些所谓“完美的”练习项目。恰恰相反, 去寻觅你身旁真切的、让人头疼不已的问题。去把一些东西打破。而后, 去将它们修复。最后, 把修复的流程实现自动化处理。这便是你借助一回又一回的系统奔溃, 达成自我提升、越过新手界限的仅有路径。
