Pythonwith自定义用法详解
本文深入讲解了Python中自定义上下文管理器的两种核心实现方式——通过类显式定义`__enter__`和`__exit__`方法,或借助`contextlib.contextmanager`装饰器编写生成器函数,帮助开发者优雅、安全地自动管理资源生命周期(如文件、数据库连接、环境变量、计时器等),彻底摆脱冗长的`try/finally`手动清理逻辑;文中不仅提供清晰示例与关键注意事项,更点明何时真正需要自定义而非重复造轮子,让读者在理解协议本质的同时,快速掌握生产环境中高效、健壮的资源管控实践。

Python 中的 with 语句依赖上下文管理器协议,核心是实现 __enter__ 和 __exit__ 两个特殊方法。自定义上下文管理器能让资源(如文件、数据库连接、锁等)在进入和退出时自动初始化与清理,避免手动 try/finally 的冗余代码。
用类实现上下文管理器
最直接的方式是定义一个类,显式实现两个方法:
__enter__:在with语句块开始时调用,通常返回需要被管理的对象(如打开的文件),也可返回self或其他值供as绑定__exit__(exc_type, exc_value, traceback):在with块结束时(无论是否异常)调用;三个参数分别表示异常类型、异常值、回溯信息;若该方法返回True,则会抑制异常传播
示例:一个简单的计时上下文管理器
import timeclass Timer: def enter(self): self.start = time.time() return self
def __exit__(self, exc_type, exc_value, traceback): self.end = time.time() print(f"耗时: {self.end - self.start:.3f} 秒")使用
with Timer() as t: time.sleep(1)
输出:耗时: 1.001 秒
用 contextlib.contextmanager 装饰器(推荐)
更简洁的方式是使用 contextlib.contextmanager 装饰生成器函数。函数中 yield 之前的代码相当于 __enter__,之后的代码(在 finally 块中执行)相当于 __exit__。
yield的值即为as接收的对象- 所有清理逻辑写在
yield后,天然支持异常安全(类似try/finally) - 无需手动处理异常参数,也无需返回布尔值来抑制异常(如需抑制,仍需加
try/except)
示例:临时修改环境变量
from contextlib import contextmanager import os@contextmanager def temp_env(**kwargs): old_values = {} for key, value in kwargs.items(): old_values[key] = os.environ.get(key) os.environ[key] = str(value) try: yield finally: for key, old_value in old_values.items(): if old_value is None: os.environ.pop(key, None) else: os.environ[key] = old_value
使用
with temp_env(DEBUG="1", ENV="test"): print(os.environ["DEBUG"]) # 1 print(os.environ["ENV"]) # test
退出后自动恢复原环境变量
常见注意事项与技巧
写自定义上下文管理器时容易忽略的关键点:
__exit__方法必须接受三个参数(即使不用也要保留),否则会报错- 若上下文管理器本身可能抛出异常,应在
__exit__中谨慎处理,避免掩盖原始错误 - 多个上下文管理器可写在同一行:
with open("a.txt") as f1, open("b.txt") as f2: - 想复用已有对象的上下文行为?确认它实现了协议(比如
threading.Lock、pathlib.Path.open()返回的文件对象都支持with)
何时该自己写,而不是用现成的?
标准库和第三方包已覆盖大部分场景(文件、数据库连接池、锁、临时目录等)。只有当业务有明确的“进入-执行-退出”生命周期,且涉及资源独占、状态切换或副作用清理时,才值得封装:
- 临时切换日志级别
- 测试中模拟网络超时或异常响应
- GPU 显存分配与释放(PyTorch/TensorFlow 中常见)
- 数据库事务的 begin/commit/rollback 封装
不复杂但容易忽略细节,掌握协议本质比死记语法更重要。
今天关于《Pythonwith自定义用法详解》的内容就介绍到这里了,是不是学起来一目了然!想要了解更多关于的内容请关注golang学习网公众号!
动态内容中CSS选择器如何实时生效?MutationObserver详解
- 上一篇
- 动态内容中CSS选择器如何实时生效?MutationObserver详解
- 下一篇
- 智联招聘官网入口及使用教程
-
- 文章 · python教程 | 9小时前 |
- Python Jinja按模板后缀开启自动转义怎么配置
- 320浏览 收藏
-
- 文章 · python教程 | 9小时前 | Python 模板变量 Jinja StrictUndefined UndefinedError
- Python Jinja StrictUndefined怎样暴露缺失模板变量
- 477浏览 收藏
-
- 文章 · python教程 | 9小时前 | CLI · 命令行 · python · 命令行选项 list[str] Python Typer Typer重复参数 Typer列表参数 list[float]
- Python Typer可重复参数怎样收集为列表
- 157浏览 收藏
-
- 文章 · python教程 | 9小时前 | Python 后台任务 Worker Textual post_message
- Python Textual后台任务怎么把结果送回界面
- 317浏览 收藏
-
- 文章 · python教程 | 9小时前 | 查询优化 · Python explain 查询计划 Polars LazyFrame show_graph
- Python Polars LazyFrame怎样查看查询计划
- 421浏览 收藏
-
- 文章 · python教程 | 10小时前 | 数据校验 · python · Python Pydantic field_validator model_validator 联合约束
- Python Pydantic怎样对多个字段实施联合约束
- 210浏览 收藏
-
- 文章 · python教程 | 10小时前 | Python Pydantic After field_validator before
- Python Pydantic字段校验器before与after怎么选择
- 469浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 465次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 527次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 545次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 495次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 314次使用
-
- Python sqlite3 Connection serialize 怎么导出数据库快照:备份窗口、内存占用与恢复校验
- 2026-08-26 501浏览
-
- Python监控网页状态:requests异常处理实战
- 2026-05-29 501浏览
-
- TensorFlow模型部署为API的TF Serving方法
- 2026-05-26 501浏览
-
- Python字符串编码转换:encode与decode详解
- 2026-05-16 501浏览
-
- TensorFlow裁剪无用算子方法详解
- 2026-05-15 501浏览

